UNIVERSIDAD MAYOR DE SAN ANDRÉS

FACULTAD DE CIENCIAS GEOLÓGICAS

CARRERA DE INGENIERÍA GEOGRÁFICA

MAESTRÍA EN TELEDETECCIÓN ESPACIAL Y SISTEMAS DE

INFORMACIÓN GEOGRÁFICA APLICADAS A LAS CIENCIAS DE LA
TIERRA

TESIS DE MAESTRÍA

ESTIMACIÓN DE ÁREAS AGRÍCOLAS MEDIANTE CLASIFICACIÓN

BASADA EN OBJETOS CON IMÁGENES DE SATÉLITE, EN EL
MUNICIPIO DE OKINAWA DEL DPTO. DE SANTA CRUZ.

MAESTRANTE: Ing. Oscar Aragón Oraquine

TUTOR: Ing. MSc. Javier Núñez Villalba

La Paz – Bolivia
2020
 UNIVERSIDAD MAYOR DE SAN ANDRÉS
FACULTAD DE CIENCIAS GEOLÓGICAS
CARRERA DE INGENIERÍA GEOGRÁFICA

MAESTRÍA EN TELEDETECCIÓN ESPACIAL Y SISTEMAS DE

INFORMACIÓN GEOGRÁFICA APLICADAS A LAS CIENCIAS DE LA
TIERRA

TESIS DE MAESTRÍA

ESTIMACIÓN DE ÁREAS AGRÍCOLAS MEDIANTE CLASIFICACIÓN

BASADA EN OBJETOS CON IMÁGENES DE SATÉLITE, EN EL
MUNICIPIO DE OKINAWA DEL DPTO. DE SANTA CRUZ.

MAESTRANTE: Ing. Oscar Aragón Oraquine

Modalidad: Tesis, presentado como requisito para optar

el título de Magister en Teledetección Espacial y
Sistemas de Información Geográfica

TUTOR: Ing. MSc. Javier Núñez Villalba

La Paz – Bolivia
2020

ii
DEDICACIÓN

A mis padres; Pedro y

Sabina, a mis hijos Mauricio
y Gabriela y a mi esposa
Maritza por el amor y apoyo.

iii
 AGRADECIMENTOS

A Dios, sobre todo, refugio y fortaleza de todos quienes creen en él.

A mis padres, Pedro Aragón y Sabina Oraquine por el apoyo incondicional, ejemplos de
dedicación a la familia.

A mis hermanos, Sergio, Franz, Juani, María, Osvaldo, Roxana, Benito por la lealtad, amistad y
consejos en todo momento.

A mi esposa Maritza, a mis hijos Mauricio y Gabriela, por el incentivo y amor en los momentos
tan importantes de mi vida profesional.

A mi tutor MSc. Javier Núñez, por la paciencia y confianza en mi trabajo, por su disposición en
el desarrollo del trabajo y por su amistad creada a lo largo de estos años.

Agradezco a los tribunales por la disponibilidad, contribución y sugerencias; que son parte de mi
crecimiento personal y profesional.

A los profesores, servidores y la coordinación de la maestría de la carrera de Ingeniería

Geográfica de la Universidad Mayor de San Andrés.

Al Ing. Kenji Bravo, por el apoyo y colaboración en la etapa de levantamiento de información de

campo.

Un sincero agradecimiento a quienes contribuyeron de alguna forma para la conclusión de este

trabajo.

iv
 Resumen

Este trabajo se realizó en el municipio de Okinawa, situada en la zona denominada norte integrado de
Santa Cruz. Tiene como objetivo estimar las áreas agrícolas mediante la clasificación basada en objetos
con imágenes de satélite. Inicialmente se recopiló información cartográfica base, temática oficial,
imágenes del sensor OLI (Operational Land Imager) del satélite Landsat 8 de los meses de ciclo de
producción, y bibliografía necesaria. Seguidamente se realizó el análisis de las imágenes con la selección
de la imagen de referencia, fusión de imágenes (PAN con multiespectral), interpretación visual, análisis
del calendario agrícola y fases fenológicas de los cultivos, levantamiento y análisis de la información de
campo, análisis espectro-temporal con cálculo de índices de vegetación y reflectancias, segmentación de
imágenes, clasificación de imágenes basada en objetos, análisis de consistencia, así como la comparación
de datos. Con lo señalado, se lograron los siguientes resultados: de acuerdo a la interpretación de
imágenes en RGB-564 para el periodo de mayor desarrollo vegetativo, se identificaron 11 objetos:
bosque, cuerpos de agua, zonas urbanas, caminos, suelo descubierto, barbecho (rastrojo), pastizales,
cultivo de soya, caña de azúcar, arroz y maíz; donde la soya presentó tonalidades de amarillo a naranja,
de magenta, rojo a marrón la caña de azúcar, el arroz de azul, rosado, magenta a marrón y el maíz rojo a
marrón; en cambio el bosque, de tonos rojo oscuro a marrón, suelo descubierto celeste a ciano, los
pastizales rojo claro a verde, el barbecho tonalidades de verde a ciano. En tanto, el análisis del
comportamiento espectro-temporal de los cultivos corresponden a 4 escenas, de los cuales, del 19 de
enero al 20 de febrero, fueron los que presentaron mayores valores promedios de índices de vegetación y
reflectancia, principalmente en la banda 5, con los siguientes valores: con un NDVI de 0,81, EVI de 0,71
y reflectancia de 0,48 en la soya; en la caña de azúcar, un NDVI próximos de 0,72, el EVI de 0,54 y
reflectancia de 0,39; en el arroz, alrededor de 0,64 de NDVI, 0,48 de EVI y 0,31 de reflectancia; y
finalmente en el maíz, un NDVI de 0,73 el EVI de 0,61 y reflectancia de 0,43. Mediante la segmentación
de imágenes, se lograron 15921 segmentos con el algoritmo multirresolución y 12047 segmentos con
diferencia espectral. Se estimaron 26071 ha para la soya, 6996 ha de caña de azúcar, 5565 ha de arroz y
1303 ha para el maíz, a través de la clasificación basada en objetos, con una precisión general de 83,18 %
de análisis de matriz de confusión y un índice kappa de 0,79, que indica una considerable precisión en la
clasificación. Se estimaron valores superiores de áreas sembradas en los cuatro cultivos, en relación a las
obtenidas por las instituciones regionales, con las siguientes diferencias: en la soya en 1071 ha a ANAPO
y 5071 ha a CAICO; en la caña de azúcar, en 4996 ha a CAICO; en el arroz, en 565 ha a CAICO, y
finalmente en el maíz, en 303 ha a ANAPO y en 403 ha a CAICO. Con lo señalado, y el uso de la
clasificación de imágenes basada en objetos, se pretende contribuir a las actuales metodologías utilizadas
en los levantamientos y estimaciones de áreas sembradas de cultivos.

Palabras - clave: soya, maíz, arroz, caña de azúcar, OLI, Landsat 8, cultivos.

v
 ESTIMATION OF AGRICULTURAL AREAS THROUGH CLASSIFICATION BASED ON
OBJECTS WITH SATELLITE IMAGES, IN THE MUNICIPALITY OF OKINAWA DEL DPTO.
OF SANTA CRUZ

ABSTRACT

This work was carried out in the township of Okinawa, located in the area called the integrated north of
Santa Cruz. Aims to estimate agricultural areas by object-based classification with satellite imagery.
Initially, base cartographic information, official thematic, images of the OLI sensor (Operational Land
Imager) of the Landsat 8 satellite of the months of the production cycle, and necessary bibliography, were
collected. Then the analysis of the images was performed with the selection of the reference image, image
fusion (PAN with multispectral), visual interpretation, analysis of the agricultural calendar and
phenological phases of the crops, survey and analysis of the field information, analysis spectro-temporal
with calculation of vegetation indices and reflectances, image segmentation, object-based image
classification, consistency analysis, as well as data comparison. With the aforementioned, the following
results were achieved: according to the interpretation of images in RGB-564 for the period of greatest
vegetative development, 11 objects were identified: forest, bodies of water, urban areas, roads, bare soil,
fallow ( stubble), grassland, soybean, sugar cane, rice and corn crops; where soy presented shades from
yellow to orange, from magenta, red to brown, sugar cane, rice from blue, pink, magenta to brown and
corn from red to brown; instead the forest, from shades of dark red to brown, bare ground light blue to
cyan, grassland light red to green, fallow shades of green to cyan. Meanwhile, the analysis of the spectro-
temporal behavior of the crops correspond to 4 scenes, of which, from January 19 to February 20, they
presented the highest average values of vegetation and reflectance indices, mainly in band 5 , with the
following values: with an NDVI of 0.81, EVI of 0.71 and reflectance of 0.48 in soybeans; in sugar cane,
an NDVI close to 0.72, the EVI of 0.54 and reflectance of 0.39; in rice, around 0.64 NDVI, 0.48 EVI and
0.31 reflectance; and finally in corn, an NDVI of 0.73, the EVI of 0.61 and reflectance of 0.43. Using
image segmentation, 15921 segments were achieved with the multiresolution algorithm and 12047
segments with spectral difference. 26071 ha were estimated for soybeans, 6996 ha of sugar cane, 5565 ha
of rice and 1303 ha for corn, through object-based classification, with an overall precision of 83.18% of
confusion matrix analysis and a kappa index of 0.79, which indicates considerable precision in the
classification. Higher values of areas planted in the four crops were estimated, in relation to those
obtained by regional institutions, with the following differences: in soybeans in 1071 ha to ANAPO and
5071 ha to CAICO; in sugar cane, in 4996 ha to CAICO; in rice, in 565 ha to CAICO, and finally in corn,
in 303 ha to ANAPO and in 403 ha to CAICO. With the aforementioned, and the use of object-based
image classification, it is intended to contribute to the current methodologies used in the surveys and
estimates of crop planted areas.

Keywords: soy, corn, rice, sugarcane, OLI, Landsat 8, crops.

vi
 INDICE

Pág.
CAPÍTULO 1 ................................................................................................................................ 1
1. INTRODUCCIÓN .................................................................................................................... 1
1.1 ANTECEDENTES. ................................................................................................................. 3
1.2 JUSTIFICACIÓN. .................................................................................................................. 5
1.3 OBJETIVOS. ........................................................................................................................... 7
1.3.1 Objetivo general. .................................................................................................................. 7
1.3.2 Objetivos específicos. ........................................................................................................... 7
1.4 HIPÓTESIS. ............................................................................................................................ 7
CAPÍTULO 2 ................................................................................................................................ 8
2. FUNDAMENTACIÓN TEÓRICA.......................................................................................... 8
2.1 IMPORTANCIA DE CULTIVOS AGRÍCOLAS ................................................................................ 8
• SOYA .................................................................................................................................. 10
• ARROZ ............................................................................................................................... 10
• MAÍZ .................................................................................................................................. 10
• CAÑA DE AZÚCAR .............................................................................................................. 11
2.2 CALENDARIO AGRÍCOLA. ....................................................................................................... 11
2.3 ESTADÍSTICAS AGRÍCOLAS. .................................................................................................... 12
2.3.1 Censos agrícolas. ................................................................................................................ 12
2.3.2 Teledetección agrícola. ...................................................................................................... 13
2.4 PERCEPCIÓN REMOTA. ........................................................................................................... 14
2.4.1 Programa Landsat. ............................................................................................................ 16
2.4.2 Conversión de Números Digitales a Reflectancia. .......................................................... 17
2.4.3 Segmentación ...................................................................................................................... 18
2.5 COMPORTAMIENTO ESPECTRAL DE OBJETOS. ....................................................................... 20
2.5.1 Respuesta espectral de la vegetación. ............................................................................... 20
2.5.2 Índice de vegetación. .......................................................................................................... 23
2.6 SISTEMAS DE INFORMACIÓN GEOGRÁFICA (SIG)................................................................. 26
CAPÍTULO 3 .............................................................................................................................. 27
3. MATERIALES Y MÉTODOS .............................................................................................. 27
3.1 ÁREA DE ESTUDIO. .................................................................................................................. 27
3.2 INSTRUMENTOS. ...................................................................................................................... 28
3.2.1 Información de cartografía base y temático. ................................................................... 28
3.2.2 Datos de sensores remotos. ................................................................................................ 28
3.2.3 Equipos................................................................................................................................ 28
3.2.4 Softwares. ............................................................................................................................ 28
3.3 METODOLOGÍA. ...................................................................................................................... 29
3.3.1 Condiciones de siembra de los principales cultivos. ....................................................... 30
3.3.2 Calendario agrícola. ........................................................................................................... 32
3.3.3 Análisis, selección y descarga de las imágenes de satélite. ............................................. 35
3.3.4 Corrección atmosférica ..................................................................................................... 37

vii
3.3.5 Fusión de imágenes. ........................................................................................................... 39
3.4 Interpretación visual. ............................................................................................................ 40
3.5 ANÁLISIS DEL COMPORTAMIENTO ESPECTRAL DE CULTIVOS Y OTROS OBJETOS. ............... 41
3.6 SEGMENTACIÓN. ..................................................................................................................... 43
3.7 CLASIFICACIÓN. ..................................................................................................................... 47
3.7.1 Análisis de consistencia...................................................................................................... 51
3.8 ANÁLISIS Y COMPARACIÓN DE INFORMACIÓN OFICIAL CON LA GENERADA. ....................... 51
3.9 METADATOS............................................................................................................................ 52
3.9 TRABAJO DE CAMPO. .............................................................................................................. 53
CAPÍTULO 4 .............................................................................................................................. 60
4. RESULTADOS Y DISCUSIONES ....................................................................................... 60
4.1 INTERPRETACIÓN VISUAL DE IMÁGENES. .............................................................................. 60
4.2 TRABAJO DE CAMPO. .............................................................................................................. 64
4.3 ANÁLISIS DEL COMPORTAMIENTO ESPECTRO-TEMPORAL DE LOS CULTIVOS DURANTE EL
PERIODO DE DESARROLLO VEGETATIVO. .................................................................................... 66
4.3.1 Soya. .................................................................................................................................... 69
4.3.2 Caña de azúcar. .................................................................................................................. 75
4.3.3 Arroz ................................................................................................................................... 79
4.3.4 Maíz. .................................................................................................................................... 83
4.4 ESTIMACIÓN DE ÁREAS DE CULTIVO DE SOYA, CAÑA DE AZÚCAR, ARROZ Y MAÍZ A TRAVÉS
DE LA CLASIFICACIÓN DE IMÁGENES BASADA EN OBJETOS. ........................................................ 88
4.4.1 Segmentación. ..................................................................................................................... 88
4.4.2 Clasificación de la imagen y estimación de superficies de cultivos y otros objetos...... 91
4.4.3 Evaluación de la clasificación (Análisis de matriz de confusión). ................................. 98
4.5 ANÁLISIS COMPARATIVO DE LAS ESTIMACIONES OBTENIDAS CON LAS OFICIALES. ........... 100
4.5.1 Análisis de información del Censo Nacional Agropecuario del INE/MDRyT. .......... 100
4.5.2 Análisis de la información de la Asociación de Productores de Oleaginosas y de Trigo
(ANAPO) y otras instancias. .................................................................................................... 102
4.6 COMPARACIÓN DE INFORMACIÓN OBTENIDA Y FUENTES OFICIALES. ................................ 104
4.7 METADATOS.......................................................................................................................... 106
CAPÍTULO 5 ............................................................................................................................ 108
5. CONCLUSIONES Y RECOMENDACIONES.................................................................. 108
6. REFERENCIAS BIBLIOGRÁFICAS. ............................................................................... 112
ANEXOS .................................................................................................................................... 124

viii
 LISTA DE FIGURAS

Pág.

Figura 1. Estimaciones de áreas de producción de los principales cultivos en el departamento de

Santa Cruz, campaña agrícola 2010/2011 a 2016/2017 .................................................................. 4
Figura 2. Localización del área de estudio.................................................................................... 27
Figura 3. Flujograma de procedimientos metodológicos .............................................................. 29
Figura 4. Asignación de objetos en el interfaz y colecta de muestras en el proceso de
clasificación. ................................................................................................................................. 50
Figura 5. Identificación de estratos, mediante el análisis de imágenes del sensor OLI ................ 55
Figura 6. Diseño de la muestra. .................................................................................................... 56
Figura 7. Muestras de segmentos seleccionadas. .......................................................................... 57
Figura 8. Mapa base para el levantamiento de información georeferenciada en campo. ............. 59
Figura 9. Curvas de índices y reflectancia de parcelas (tablones) de los segmentos 49, 87, 169,
189 y 229....................................................................................................................................... 71
Figura 10. Curvas de índices y reflectancia de parcelas de los segmentos 169 y 209. ............... 72
Figura 11. Curvas de índices y reflectancia de parcelas (tablones) de los segmentos 17, 87, 129,
189 y 269....................................................................................................................................... 73
Figura 12. Curvas de índices y reflectancia de parcelas (tablones) de los segmentos 49 y 189 ... 76
Figura 13. Curvas de índices y reflectancias de parcelas (tablones) de los segmentos 29, 69, 109
y 229.............................................................................................................................................. 77
Figura 14. Curvas de índices y reflectancia de la parcela 109, 129, 229. ..................................... 80
Figura 15. Curvas de índices y reflectancia de la parcela (tablón) 189 y 249 .............................. 84
Figura 16. Valores medios de reflectancia e índices de vegetación de los cultivos por bandas en
las imágenes del sensor OLI (28 de enero, 13 y 20 de febrero). ................................................... 86
Figura 17. Segmentación por el algoritmo multirresolución. ....................................................... 89
Figura 18. Segmentaciones; a) multirresolución y b) diferencia espectral ................................... 90
Figura 19. Estimación de áreas de uso de suelo............................ ¡Error! Marcador no definido.
Figura 20. Estimación de áreas sembradas de los 4 principales cultivos¡Error! Marcador no
definido.
Figura 21. Relación porcentual de las áreas estimadas de los cultivos de soya, caña de azúcar,
arroz y maíz con el área total. ....................................................................................................... 96

ix
 LISTA DE TABLAS

Pág.
Tabla 1. Comportamiento de superficies sembradas de los principales cultivos a nivel nacional y
para el departamento de Santa Cruz................................................................................................ 9
Tabla 2. Bandas espectrales de sensores OLI y TIRS del satélite Landsat 8................................ 17
Tabla 3.Principales cultivos, familias y variedades de la zona. .................................................... 31
Tabla 4. Calendario agrícola de los principales cultivos de la campaña de verano 2016/2017. ... 32
Tabla 5. Características de imágenes del sensor OLI del satélite Landsat 8. ............................... 35
Tabla 6. Escenas y fechas de las imágenes del sensor OLI/Landsat 8. ........................................ 36
Tabla 7. Índices de vegetación. ..................................................................................................... 42
Tabla 8. Aplicación de pesos en parámetros utilizados en la segmentación por multirresolución.
....................................................................................................................................................... 45
Tabla 9. Variables y parámetros utilizados en la segmentación. .................................................. 46
Tabla 10. Resumen de variable y parámetros utilizados en la segmentación por diferencia
espectral. ....................................................................................................................................... 46
Tabla 11. Tipología de cultivos y otros objetos identificados. ..................................................... 61
Tabla 12. Objetos presentes colectados en los segmentos muestra. ............................................. 65
Tabla 13. Número de segmentos creados por nivel de segmentación. ......................................... 90
Tabla 14. Superficie estimada de cultivos y otros objetos, a través de las imágenes del sensor
OLI. ............................................................................................................................................... 95
Tabla 15. Comparación de rendimientos estimados por instituciones sectoriales. ....................... 97
Tabla 16. Matriz de confusión par la validación temática. ........................................................... 99
Tabla 17. Superficie, rendimiento y producción estimada de los cultivos de soya, caña de azúcar,
arroz y maíz CNA/INE, 2013. .................................................................................................... 101
Tabla 18. Superficies estimadas de los principales cultivos del municipio de Okinawa, campaña
2016/2017. .................................................................................................................................. 103
Tabla 19. Relación de superficies estimadas por ANAPO, CAICO y por las imágenes del sensor
OLI/Landsat 8. ............................................................................................................................ 104
Tabla 20. Información del metadato del mapa de estimación de áreas de producción agrícola en
el municipio de Okinawa. ........................................................................................................... 106

x
 LISTA DE SIGLAS Y ABREVIATURAS

ABT: Autoridad de Fiscalización y Control Social de Bosques y Tierras

ANAPO: Asociación Nacional de Productores de Trigo y Oleaginosas
CAICO: Cooperativa Agropecuario Integral de las Colonias (Okinawa)
CAO: Cámara Agropecuaria del Oriente
CANASAT: Monitoreo de la caña de azúcar mediante imágenes de satélite (INPE)
CENACA: Centro Nacional de la Caña
CENICAÑA: Centro de Investigación de la Caña de Azúcar de Colombia
CNA: Censo Nacional Agropecuario
CIAT: Centro de Investigación de Agrícola Tropical
CONAE: Comisión Nacional de Actividades Espaciales
EMAPA: Empresa de Apoyo a la Producción de Alimentos
ENVI: Environment for Visualizing Images
EOS: Earth Obervation System
ETM+: Enhanced Thematic Mapper Plus
EVI: Enhanced Vegetation Index
FAN: Fundación Amigos de la Naturaleza
FAO: Organización de las Naciones Unidas para la Agricultura y la
Alimentación
FGDC: Federal Geographic Data Committe
GEOBIA: Geographic Object-Based Image Analysis.
GNSS: Global Navigation Satellite Systems
GPS: Global Positioning System
IDE-EPB: Infraestructura de Datos Espaciales – Estado Plurinacional de Bolivia
IGM: Instituto Geográfico Militar
INE: Instituto Nacional de Estadística
INIAF: Instituto Nacional de Innovación Agropecuaria y Forestal
INPE: Instituto Nacional de Pesquisas Espaciais
INTA: Instituto Nacional de Tecnología Agropecuaria

xi
ISO: International Standard Organization
IV: Índice de Vegetación
Landsat: Earth Resources Technology Satellite
LDCM: Landsat Data Continuity Mission
MDRyT: Ministerio de Desarrollo Rural y Tierras
MODIS: Moderate Resolution Imaging Spectroradiometer
NASA: National Aeronautics and Space Administration
NASS: National Agricultural Statistics Service
DN: Digital Number
NDVI: Normalized Difference Vegetation Index
NDWI: Normalized Difference Water Index
NIR: Near Infrared
OLI: Operational Land Imager
PAN: Pancromático
PIB: Producto Interno Bruto
PNUD: Programa de Naciones Unidas para el Desarrollo
RED: Rojo
REM: Radiación Electromagnética
RVI: Ratio Vegetation Index
SAVI: Soil Ajusted Vegetation Index
SENAMHI: Servicio Nacional de Meteorología e Hidrología
SIG: Sistema de Información Geográfica
SUNIT: Sistema Único Nacional de Información de la Tierra
SWIR: Shortware Infrared
TIRS: Thermal Infrared Sensor
TOA: Top of Atmosfhere
USDA: United States Departament of Agriculture
USGS: United States Geological Survey
UTM: Universal Transversa de Mercator
VANT: Vehículo Aéreo No Tripulado

xii
 CAPÍTULO 1

1. INTRODUCCIÓN

La agricultura representa una de las principales actividades en la economía mundial y

nacional, siendo uno de los sectores fundamentales en el equilibrio de la balanza comercial.
Actualmente, muchos países y entre ellos Bolivia, vienen realizando esfuerzos en políticas
públicas y privadas para mejorar la producción y productividad de alimentos básicos,
productos tradicionales y no tradicionales para el mercado interno, como para el mercado
internacional. En ese sentido, el conocimiento permanente de datos de producción agrícola
nacional, con pronósticos ágiles sobre el comportamiento agroproductivo en las diferentes
campañas agrícolas y de los países concurrentes, se hace imprescindible para el análisis y
toma de decisiones oportunas en las políticas de producción agrícola, regulación de los precios
del mercado interno, los stocks y la comercialización.

Actualmente, con el avance de las Tecnologías de Información y la Comunicación (TICs),

entre ellas la teledetección agrícola con el uso de las imágenes de satélites de media y alta
resolución espacial, agricultura de precisión, uso de tecnologías de Vehículos Aéreos No
Tripulados (VANT) o más conocidos como Drones, en conjunto con modelos digitales de
elevación y otros datos cartográficos, mejoran la precisión de los estudios en áreas de
producción de cultivos y cobertura vegetal, mostrando adecuados resultados para el análisis e
investigación de media y gran escala.

Del conjunto de satélites de observación de la tierra con sensores diseñados para diferentes
usos, es fundamental considerar la resolución espacial, temporal, espectral y radiométrica, en
el análisis de diversas coberturas, más aun en áreas de producción agrícola, con característica
como: sistemas de producción, zonas de producción, campañas agrícolas y la fenología de los
cultivos; a causa de estos aspectos, aún no pueden ser empleados en gran parte de las parcelas
de las regiones del Altiplano y Valles del país, por tratarse de áreas pequeñas, los cuales
precisan imágenes comerciales de alta resolución espacial. En ese marco de la importancia del
avance de las tecnologías de observación de la tierra, como la puesta en marcha de las

1
constelaciones de satélites con sensores de media resolución espacial, como el Multi-Spectral
Instrument (MSI) de los satélites Sentinel 2 A, Landsat 8 y la continuidad del programa
Landsat con el lanzamiento del satélite Landsat 9 planificado para el año 2023 a bordo con el
multisensor (combina datos provenientes de diferentes Sensores), se presentan como
alternativas para la obtención de datos con resolución espacial y temporal mejorada,
fundamentalmente para el acompañamiento en el monitoreo de las áreas de producción
agrícola y cobertura boscosa.

Por las características y bondades de datos del satélite LANDSAT 8 (Landsat Data Continuity
Mission- LDCM), se utilizaron las imágenes del sensor OLI (Operational Land Imager), con
nueve bandas espectrales, resolución espacial de 30 metros en las bandas de 1 a 7 y 9, y 15
metros en la banda 8 de la región del pancromático (PAN). La resolución temporal de 16 días,
con acceso libre vía internet y disponibles desde el año 2013.

La presente investigación, se realizó en el municipio de Okinawa del departamento de Santa

Cruz; con el propósito de estimar las áreas agrícolas, mediante la clasificación de imágenes de
satélite basada en objetos, y orientadas a contribuir a las actuales metodologías empleadas por
las instancias oficiales en las estimaciones de áreas sembradas por campaña agrícola, así como
en el monitoreo de cultivos, optimizando en términos de costo, tiempo, precisión, y
fundamentalmente en la planificación agroproductiva, gestión de riesgo agropecuario,
modelamientos de productividad, así como en los análisis de cambios climáticos.

Por estas numerosas razones, la teledetección integrada a los sistemas de Posicionamiento

Global, Sistemas de Información Geográfica y otros datos cartográficos, es de gran utilidad
para la generación y obtención de nueva información objetiva y precisa, así como en el
acompañamiento de estadísticas agrícolas, principalmente en superficies extensas, siendo cada
vez más aplicados en el monitoreo y estimación de áreas agrícolas.

2
1.1 ANTECEDENTES.

Desde hace muchos años, la cuantificación de las áreas de producción agrícola, fue una de las
necesidades para la gestión y planificación de la producción agropecuaria, en términos de
superficie de cultivos sembrados, áreas para la ampliación de la frontera agrícola, etc. En ese
marco, a partir de la aplicación de datos de sensores remotos en la observación de recursos
naturales, y en particular de la actividad agrícola, vienen contribuyendo con éxito en varios
países, como en Estados Unidos, Canadá, Brasil, Argentina, México y países miembros de la
Unión Europea, en levantamientos de información georeferenciada en campo, clasificación
del uso del suelo y cobertura vegetal, monitoreo y seguimiento de cultivos, agricultura de
precisión, y seguimiento forestal, de manera objetiva, precisa, en corto tiempo y a costos
bajos.

Históricamente en Bolivia y otros países, las estimaciones de producción agropecuaria,

pronósticos de cosechas, y en general las estadísticas agrícolas, son realizadas por
instituciones oficiales con metodologías propias de levantamientos de información; como son
las encuestas, entrevistas y censos agropecuarios. En el caso de Bolivia, el Instituto Nacional
de Estadística (INE) y Ministerio de Desarrollo Rural y Tierras (MDRyT), realizan los
levantamientos de información para el análisis y toma de decisiones sectoriales, referentes a
las superficies, volúmenes de producción, stocks de los productos estratégicos, entre los
principales. Estas mismas instancias, periódicamente disponen la información agropecuaria a
detalle nacional como departamental, y no así a nivel municipal; y muy escasamente
información georeferenciada de los cultivos. Muestra de este proceso, la Figura 1 resume las
estimaciones de la superficie de producción de los principales cultivos estratégicos para el
departamento de Santa Cruz.

3
Figura 1. Estimaciones de áreas de producción de los principales cultivos en el departamento
de Santa Cruz, campaña agrícola 2010/2011 a 2016/2017
Fuente: elaboración propia, con base a la información de MDRyT, 2018.

De acuerdo a la figura 1, las estimaciones de superficies sembradas de los principales cultivos

para las campañas 2010/2011 al 2016/2017, muestran que la campaña 2015/2016, registra las
mayores superficies de soya en relación a otros cultivos, con 1.321.584,0 ha, constituyendo la
mayor superficie a nivel nacional, seguido por el sorgo con 377.308,5 ha para el 2016/2017,
en tanto el maíz con 267.378,00 ha para la campaña 2013/2014, en el caso de la caña de
azúcar con 142.272,20 ha para 2016/2017, y el arroz con 149.008,55 ha para el 2012/2013.

Las metodologías de encuestas, entrevistas y censos, actualmente siguen siendo las oficiales,
con escasa aplicación de las tecnologías espaciales en el monitoreo de cultivos (soya, maíz,
caña y otros) en el país. Sin embargo, instituciones como el National Agricultural Statistics
Service de Estados Unidos (NASS), Instituto Nacional de Pesquisas Espaciais (INPE) y la
Comisión Nacional de Actividades Espaciales (CONAE) consideran a la teledetección
agrícola y el SIG fundamentales en la gestión y administración de la información
agroproductiva. A manera de muestra de estas aplicaciones, en Sur América se pueden citar
como proyectos con mayor experiencia en el uso de las imágenes de satélite y suborbitales a:
el CANASAT del INPE en Brasil, CENICAÑA en Colombia, el Instituto Nacional de
Tecnología Agropecuaria (INTA) apoyada con la CONAE en Argentina, y recientemente en
nuestro país mediante la ley 144 de Revolución Productiva Comunitaria y la 307 de creación
del Centro Nacional de la Caña de Azúcar (CENACA), dependiente de Instituto Nacional de
Innovación Agropecuaria y Forestal (INIAF) del MDRyT, quienes vienen iniciando algunas
pruebas en el monitoreo e investigación usando tecnología geoespacial para mejorar el
seguimiento y gestión de producción de cultivos, principalmente las agroindustriales.

4
1.2 JUSTIFICACIÓN.

Las características de un espacio geográfico, como la topografía, altitud, geomorfología,

geología, suelos, hidrogeología, clima, cobertura vegetal y la actividad antrópica, permiten
tener una definición de las unidades de paisaje, zonas agroproductivas, zonas urbanas, así
como de las potencialidades y limitantes de sistemas productivos y zonas aptas para
asentamientos humanos.

Considerando estas características, actualmente el departamento de Santa Cruz,

específicamente el norte integrado y la zona de expansión, representan las áreas de mayor
potencial productivo en cultivos agroindustriales, así como de seguridad alimentaria en el
país. Este aspecto se traduce principalmente como uno de los pilares en la producción y
provisión de alimentos a los mercados internos en forma de productos primarios, así como de
sus derivados y los excedentes para la exportación, fuentes de empleo sectorial, ingresos
económicos a la sociedad boliviana y al Estado.

De acuerdo a lo mencionado, el municipio de Okinawa, es parte del norte integrado, donde la

producción agrícola es permanente, tanto en la campaña de verano como de invierno, con
cultivos como la soya, arroz, maíz, caña de azúcar, trigo, sorgo, girasol, entre los principales;
y en ese marco de potencialidad permanente de producción de alimentos, fue elegida como
zona de estudio.

El conocimiento permanente de la superficie sembrada es fundamental en la gestión y

planificación agroproductiva, en especial para tomadores de decisión respecto al control de las
importaciones y exportaciones de los productos agrícolas, así como para las diferentes
instancias sectoriales (productor, consumidor, investigador, comercializador, etc.).

Actualmente, la estimación de las áreas de producción de cultivos, es realizada por el INE y el

MDRyT, como las instancias públicas oficiales responsables en el levantamiento y difusión de
información estadista agrícola y pecuaria nacional. Esta información es obtenida a través de
entrevistas y encuestas realizadas a productores, administradores de haciendas, técnicos

5
responsables e instancias asociadas al sector por campaña agrícola, con metodologías propias
a detalle departamental y no municipal.

Por otra parte, la escasa información georeferenciada temática existente sobre las áreas de
producción agrícola en la zona de estudio, municipios potenciales del norte integrado, la zona
de expansión y en general de los municipios del país, vienen siendo un vacío grande de
información para la gestión continua de datos agrícolas, referente a la ubicación,
identificación, estimación de las áreas sembradas, monitoreo, entre otros, por campaña
agrícola.

En ese sentido, con la presente investigación se pretende contribuir a las actuales

metodologías de levantamiento de información agrícola, a través del uso de información sobre
características agronómicas de cultivos, calendarios agrícolas, fenología de cultivos,
información de campo, procesamiento de imágenes (comportamiento espectral de los objetos,
inclusión de parámetros de clasificación basada en objetos), Sistema de Posicionamiento
Global (GPS), integradas a los Sistemas de Información Geográfica (SIG), y otra necesaria, en
la generación de nueva información georeferenciada sobre la estimación de áreas agrícolas.
Asimismo, los datos obtenidos serán bases referenciales para otras investigaciones, la
planificación agroproductiva, gestión de riesgo agrícola, modelamientos predictivos, y
seguimiento de precios durante las campañas agrícolas, optimizando de esta forma, la
objetividad y confiabilidad de la información.

6
1.3 OBJETIVOS.

1.3.1 Objetivo general.

Estimar las áreas agrícolas, mediante imágenes de satélite y clasificación basada en objetos; y
contribuir a las actuales metodologías utilizadas en los levantamientos estadísticos de cultivos.

1.3.2 Objetivos específicos.

• Analizar el comportamiento espectral de los cultivos agrícolas durante el desarrollo

vegetativo.
• Estimar las áreas agrícolas de soya, maíz y arroz para la campaña de verano 2016/2017, a
través de la clasificación de imágenes basada en objetos.
• Comparar las estimaciones obtenidas con las oficiales.

1.4 HIPÓTESIS.

Hipótesis afirmativa (Hi).

El estudio de estimación de áreas agrícolas mediante el uso de imágenes de satélite, permite

contribuir de manera objetiva a las actuales metodologías oficiales utilizadas en los
levantamientos estadísticos de cultivos y planificación agroproductiva.

Hipótesis nula (Ho)

El estudio de estimación de las áreas agrícolas mediante el uso de imágenes de satélite, no

permite contribuir de manera objetiva a las actuales metodologías oficiales utilizadas en los
levantamientos estadísticos de cultivos y planificación agroproductiva.

7
 CAPÍTULO 2

2. FUNDAMENTACIÓN TEÓRICA

2.1 Importancia de cultivos agrícolas

La producción agrícola, como actividad económica es muy sensible a varios factores,

generando variaciones de la oferta de los productos agrícolas, con efectos en los precios ya
sean al productor y/o al consumidor, donde las pérdidas de cosecha en un año tienen
consecuencias en la elevación de precios, y la sobreproducción con sobreoferta, disminución
de precios y pérdidas al productor. Es por eso que existe la necesidad de un levantamiento
oportuno de datos y su difusión, sobre la producción por cada campaña agrícola,
específicamente de las estimaciones de las áreas sembradas y los rendimientos esperados.

En ese marco, la ley 144 de Revolución Productiva y Comunitaria Agropecuaria, en los

artículos 43 y 44 manda realizar varias funciones; entre ellas de sistematizar y generar
información especializada para la toma de decisiones del sector agropecuario, monitorear los
productos estratégicos de importancia para la seguridad alimentaria (papa, quinua, caña de
azúcar, sorgo, arroz, maíz, trigo, hortalizas y forrajes), monitorear los factores adversos, y
otras acciones, con tecnologías aeroespaciales, sensores vivos (pronosticadores locales) y
otros métodos, los cuales son de mucha importancia en la producción agrícola nacional
(Compendio de Normas Relacionadas a la Soberanía Alimentaria, 2015, p. 37-43).

El INE (2019), señala que existen alrededor de 3.4 millones de hectáreas de superficie
cultivada a nivel nacional para la campaña 2016/2017, en tanto el Sistema Único Nacional de
Información de la Tierra - SUNIT (2010), cuantificó aproximadamente 5.5 millones de
hectáreas de superficie para la producción agrícola nacional; de las cuales, el departamento de
Santa Cruz, principalmente los municipios de la zona integrada y la de expansión, tiene las
áreas de producción agrícola a secano más extensas con mayor producción departamental y
consecuentemente nacional.

8
Según el MDRyT (2018), el comportamiento de las superficies sembradas a nivel nacional y
el departamento de Santa Cruz, referentes a los cultivos de soya, caña de azúcar, arroz y maíz,
presentan variaciones por cada campaña agrícola de verano, el cual se detalla en la tabla 1.

Tabla 1. Comportamiento de superficies sembradas de los principales cultivos a nivel nacional

y para el departamento de Santa Cruz.

Superficie estimada de las campañas agrícolas (ha)

2011- 2012- 2013- 2014- 2015- 2016-
Cultivos 2010-2011
2012 2013 2014 2015 2016 2017
Arroz 170,74 175,47 182,27 174,92 166,35 163,90 147,68
Maíz 334,45 392,40 455,32 463,47 441,54 381,93 400,80
Nacional
Caña de azúcar 134,45 143,32 150,44 148,75 145,44 152,30 153,92
Soya 1.034,23 1.106,02 1.276,34 1.282,08 1.322,64 1.336,00 1.325,30
Arroz 139,65 143,27 149,00 139,07 127,94 125,03 126,76

Santa Maíz 148,29 201,95 262,26 267,37 242,38 191,80 241,95

Cruz Caña de azúcar 122,85 131,68 138,84 136,67 132,89 139,60 142,27
Soya 1.020,63 1.091,70 1.261,70 1.267,84 1.307,22 1.321.58 1.318,71
Fuente: elaborado con base a la información del MDRyT, 2018.

De acuerdo al comportamiento de siembras de la tabla 1, la soya, caña de azúcar, arroz y maíz,

representan los principales cultivos con mayores superficies de producción de la campaña
agrícola de verano de Santa Cruz; cuya producción es desarrollada en los municipios de San
Pedro, General Saavedra, Fernández Alonzo, Mineros, Warnes, Okinawa, San Juan de
Yapacani, Pailón, Cuatro Cañadas y San Julián, actualmente considerados como los
municipios potenciales y agroindustriales del país. Esta potencialidad, es definida por las
características topográficas, edafoclimáticas, superficies extensas de producción, sistemas de
producción, uso de variedades, y por ser los principales responsables en el abastecimiento de
alimentos primarios y derivados para el mercado local, y el excedente para la exportación.

En tanto, los municipios de las regiones del altiplano, valles, chaco e incluso la amazonia, se
caracterizan como zonas con la agricultura tradicional familiar, con un amplio uso de
variedades en los cultivos de papa, quinua, haba, maíz, hortalizas, frutales, yuca, entre otros,
cuyo destino de estos productos, son los mercados locales, municipales y departamentales.

9
 • Soya

La soya (Glycine max L. Meril), pertenece a la familia leguminosae, de origen sudeste de

Asia, típicamente herbácea, que presenta gran diversificación genética y morfológica, debido
al elevado número de variedades. Es una especie anual, su desarrollo es relativamente rápido,
su ciclo puede variar entre 75 a 210 días dependiendo de la variedad. La separación entre
hileras es aproximadamente de 40 a 50 cm. Posee varios estadíos de desarrollo, desde de la
germinación hasta la maduración, (Ferri, 2002, p.30).

• Arroz

El arroz (Oriza sativa), de la familia gramínea, de origen asiático, herbáceo, de un número

elevado de variedades, es una especie anual, en su fenología se distinguen la fase de
germinación, macollaje, encañazon, panojamiento, maduración lechosa, maduración cereal y
maduración cornea. La distancia de siembra entre surcos en el sistema mecanizado es entre 20
a 30 cm, y entre 30x30 a 35x35 cm en cuadro en el sistema manual (CIAT y Compendio
Agropecuario, 2012, p.74).

• Maíz

El maíz (Zea mayz L.), de la familia gramínea, de ciclo anual y origen centroamericano, cuyo
ciclo fenológico varia de 90 a 205 días, dependiendo del genotipo y del clima. El espacio de
siembra entre hileras varía entre 70 a 100 cm y entre plantas de 20 a 30 cm. En su fenología se
distinguen 5 etapas de desarrollo (emergencia, crecimiento, floración, fructificación y
maduración-secado). El maíz se constituye en uno de los principales cultivos de Bolivia y en
una fuente de alimentación básica para las poblaciones ubicadas en las zonas de los valles y
trópico. (Compendio Agropecuario, 2012, p. 53).

10
 • Caña de azúcar

La caña de azúcar (Saccharum officinarum L. SSP.) pertenece a la familia Poaceae

(gramineae), su origen es atribuido al sudeste de Asia, Nueva Guine e India. Es cultivada en
áreas extensas, comprendidas entre los paralelos 35° de Latitud norte y sur de Ecuador.
Presenta mejor comportamiento en las regiones cálidas, considerada como un cultivo semi-
perenne, debido a que los suelos cultivados con caña de azúcar son parcialmente removidos
entre 6 a 8 años. Proporciona productos como el azúcar de mesa y alcohol, además
subproductos como el bagazo para la producción de ración animal, fertilizantes y otros
derivados que tiene gran importancia socioeconómica como son los biocombustibles
(Sanches, 2004, p. 54).

2.2 Calendario agrícola.

El calendario agrícola establece los periodos culturales favorables en la producción de

cultivos, desde la preparación del suelo, siembra y la cosecha, en estrecha relación con las
etapas de desarrollo o fases fenológicas, aspectos que son de mucha importancia durante el
desarrollo de los cultivos de cada campaña agrícola.

La fenología de los cultivos, se refiere a las diferentes etapas de desarrollo del ciclo
productivo; y comprende, desde la emergencia hasta la maduración, y junto al calendario
agrícola es de mucha importancia para las aplicaciones de datos de sensores remotos, misma
que definirá las mejores fechas en la obtención de imágenes de satélite, y las etapas con
buenas características de producción de fitomasa aérea, permitiendo establecer la dinámica
espacio-temporal de los cultivos (Sanches et al., 2005, p. 86) y (Rizzi et al., 2009, p. 389).

La fenología es definida como el estudio de los eventos del ciclo de vida de las plantas,
críticos para su sobrevivencia y reproducción. Las características fenológicas de las especies
reflejan la influencia del medio en el cual se encuentran, en su metabolismo, con
implicaciones sustanciales en el funcionamiento de la planta a nivel de la hoja y su contexto
(Bueno, 2017, p. 25).

11
Jensen (2000), citado por Gurtler (2003), señala que para diferenciar muchos cultivos usando
datos de sensores remotos, es esencial conocer las características de los ciclos fenológicos de
los cultivos. Esta información es utilizada para determinar la época optima de año para
colectar las imágenes, mismas permitan discriminar un cultivo de otra (p. 35).

En ese sentido, es fundamental considerar los aspectos mencionados en la aplicación de

imágenes de satélite, debido a que la reflectancia e emitancia de los doseles de los cultivos y
otra vegetación durante cada fase de desarrollo es variado respecto al contenido de clorofila,
carotenos, xantofilas, agua y otras características. Al respecto, varios autores indican que el
calendario agrícola, así como la fenología de los cultivos no son homogéneos.

2.3 Estadísticas agrícolas.

Parte de la gestión de información agrícola, está basada en el levantamiento de información

estadística, a través de métodos directos, indirectos y modelos estadísticos, en este caso para la
producción agrícola. Entre los métodos y modelos estadísticos, existen una variedad de
opciones para el levantamiento de información estadística agrícola; y entre los más utilizados
actualmente son los censos agrícolas, encuestas y teledetección agrícola.

2.3.1 Censos agrícolas.

Desde hace varios años y actualmente el levantamiento de información de producción

agropecuaria en Bolivia, se viene realizando mediante entrevistas, encuestas y los censos
agropecuarios.

En ese sentido, el INE junto al MDRyT, son las instancias oficiales nacionales encargadas de
levantar y disponer información estadística agropecuaria; y bajo la dirección de las instancias
mencionadas, el 2012 se realizó el Censo Nacional Agropecuario para los 339 municipios,
información que fue levantada a través de metodologías propias, es decir mediante el llenado
de encuestas a los productores, técnicos y administradores de haciendas a nivel nacional.

12
Asimismo, se debe resaltar que instituciones regionales como la Asociación de Productores de
Oleaginosas y Trigo (ANAPO), desde hace varios años viene realizando levantamientos
estadísticos de la producción agrícola, también con entrevistas y encuestas, específicamente de
los cultivos de soya, sorgo, maíz, girasol y trigo, que es de interés institucional y regional por
campaña agrícola.

2.3.2 Teledetección agrícola.

La actividad agrícola se ha ido tecnificando con el paso de los años, la maquinaria agrícola es
cada vez más sofisticada y las técnicas agrícolas más concretas y eficientes. En ese sentido de
innovación permanente en la gestión agropecuaria, el uso de las imágenes de satélite, la
agricultura de precisión, y actualmente el uso de artefactos aerotransportados no tripulados
(VANTs), o los llamados Drones, hacen posible de manera objetiva, rápida, precisa y a costos
bajos, la identificación, ubicación, estimación de áreas sembradas, monitoreo y modelamiento
en la producción agrícola y pecuaria.

Para el monitoreo de grandes superficies de producción agrícola, es preciso contar con

imágenes satelitales de manera periódica, debido a que los cultivos llevan un determinado
tiempo para desarrollarse y completar el ciclo. Para ello es fundamental tener en cuenta el
calendario agrícola y la fenología de los cultivos. Periodos donde deben ser obtenidas las
imágenes de satélite por la validez limitada en el levantamiento de información de los cultivos
de una región. Asimismo, para obtener información estadística agrícola, o realizar estudios
sobre el comportamiento espectral de los cultivos, con el uso de información de sensores
remotos, es recomendable un análisis multitemporal (que corresponden a la obtención de dos
o más imágenes antes de ser analizadas y procesadas) (Sanches, 2004, p. 34).

El creciente uso de imágenes de sensores remotos a bordo de satélites de observación de la

tierra para el monitoreo de recursos naturales, ofrece cuatro ventajas claves; 1) cobertura
repetida, 2) objetividad, 3) exactitud y 4) contenido de información radiométrica de los
objetos. Además de estas ventajas, la información es obtenida a un menor costo en relación a
otros métodos, por el alcance de área contenida en las imágenes de satélite. En función de esta

13
característica, los sensores remotos, con el pasar de los años, son cada vez más utilizados
dentro de monitoreo de áreas agrícolas (Rudorff et al., 2005, p. 22).

Como experiencias del uso de las geotecnologías de varios años en el monitoreo y

seguimiento de cultivos agrícolas, actualmente varias instancias vienen desarrollando
programas a diferentes escalas (global, regional y nacional). Para Whitcraft et al., (2015 b)
citado por Montibeller (2018), destaca la iniciativa de Global Agricultural Monitoring
(GEOGLAM), establecida por el Group on Earth Observations (GEO). Esta iniciativa tiene
por objetivo monitorear áreas agrícolas a escala global, proporcionando información sobre las
áreas cultivadas, tipo de cultivo, condición de cultivos, estimación de productividad, entre
otros. Con base a esta información, pueden ser definidas estrategias a fin de priorizar e
intensificar la producción agrícola, como por ejemplo, identificar vacíos de productividad y
áreas con alta aptitud agrícola, aspectos que orienten a una planificación adecuada en la
creciente demanda de alimentos y conservación de los recursos naturales (p. 5).

Entre estos programas y proyectos tenemos: en Norte América la Agencia Nacional de

Estadísticas Agrícolas (National Agricultural Satatistics Service –NASS) del departamento de
agricultura de Estados Unidos (United States Department of Agriculture -USDA) y el
Instituto Cropland Data Layer (CDL), en Sud América el proyecto CAÑASAT en Brasil, en
Colombia CENICAÑA, en Argentina el INTA apoyada con la CONAE, y recientemente en
nuestro país mediante la ley 307 se crea el Centro Nacional de la Caña de Azúcar CENACA,
dependiente de INIAF del MDRyT. Estas son las instancias encargadas de realizar
investigación e incluyen el uso de tecnología geoespacial que permita mejorar el monitoreo,
seguimiento y gestión de producción de cultivos estratégicos de importancia socioeconómica.

2.4 Percepción remota.

Vargas (1992), define la percepción remota como la ciencia y arte de obtener información de
objetos, de un área o fenómeno, a través del análisis de datos adquiridos por instrumentos que
no se hallan en contacto directo con el objeto, área o fenómeno investigado (p.3).

14
Chuvieco (1995), define teledetección espacial como aquella técnica que permite adquirir
imágenes de la superficie terrestre desde sensores instalados en plataformas espaciales, a
través de la interacción de la energía electromagnética, ya sea por la reflexión de la energía
solar o de un haz energético artificial y/o por emisión propia de los objetos. Para ello
considera seis elementos; fuente de energía, cubierta terrestre, sistema de sensor, sistema de
recepción, intérprete y usuario final (p. 27).

La teledetección permite obtener información de un objeto, área o fenómeno a través del

análisis de los datos adquiridos por un sensor que no está en contacto con el mismo, conocido
como sensor remoto, mediante mediciones de la energía electromagnética reflejada o emitida
por estos objetos o fenómenos de interés (Chuvieco, 2002, p. 568). Por otra parte, Chuvieco y
Huete (2010), indican que la base de la teledetección radica en que cada cuerpo presenta un
patrón de energía reflejada propio y diferente, conocido como firma espectral, que lo distingue
del resto de materiales (p. 488).

Una de las principales herramientas para el monitoreo y seguimiento de la producción

agrícola, bosques y desastres naturales, son las tecnologías espaciales representadas
especialmente por Percepción Remota y Sistemas de Información Geográfica. A través de
estas herramientas se pueden colectar, almacenar, analizar, modelar y extraer una gran
cantidad de informaciones temáticas (Marcelino, 2007, p. 4).

Marcelino (2007), Sousa (1999), Vicente (2016) y Formaggio (1989), dedicados al estudio de
recursos naturales, riesgos naturales, monitoreo de cobertura vegetal y monitoreo de cultivos,
afirman que el uso de imágenes de acceso libre, comerciales, de media y alta resolución
espacial, tales como: Landsat 8 (30 y 15 m PAN), Sentinel 2 A (10 y 20 m), EOS-TERRA
(ASTER) de (15 m), CBERS 4 B (20, 10 y 5 m), SPOT de (10 m), IKONOS (1 m), QUICK
BIRD (0.60 m), GEOEYE (0,25 m) y otros; además de las fotografías aéreas, modelos
digitales de terreno y actualmente los datos de VANTs; permiten generar mapas a diferentes
escalas. Estas características mejoran el análisis, identificación, estimación y cuantificación de
variables; como las áreas de producción de cultivos, áreas deforestadas, cicatrices de
movimientos de masa, y entre otros objetos.

15
2.4.1 Programa Landsat.

En la actualidad el programa se encuentra en su octava versión denominada: “Landsat Data

Continuity Mission” (LDCM) es el octavo satélite de observación de la serie Landsat y
continuará el legado de archivo de los anteriores satélites, convirtiéndose de esta manera en el
futuro de los satélites de observación de la tierra de mediana resolución con más historia. Este
programa amplía, mejora y avanza en el registro de imágenes mutiespectrales, manteniendo la
misma calidad de sus siete predecesores. Tras el lanzamiento, el satélite LDCM fue
denominado como Landsat 8. Este sistema está compuesto de dos grandes segmentos, el
observatorio y sistema terrestre (CIAF/IGAC, 2013, p.7, 8-10).

El observatorio, consta de una plataforma con capacidad de carga de dos sensores de

observación terrestre, el primero de ellos denominado Operational Land Imager (OLI) y el
sensor térmico infrarrojo Thermal Infrared Sensor (TIRS). Los sensores OLI y TIRS recogen
los datos de forma conjunta para proporcionar imágenes coincidentes de la superficie terrestre,
incluyendo las regiones costeras, hielo polar, las islas y las zonas continentales. Además, el
LDCM seguirá la misma secuencia de trayectoria (también conocida como “PATHS” o rutas
de acceso) como sus antecesores Landsat 4, Landsat 5 y Landsat 7. Esto permitirá que todos
los datos del LDCM sean referenciados al mismo sistema de coordenadas, continuando con el
registro de datos desde hace décadas.

Las imágenes Landsat 8 obtenidas por el sensor OLI y TIRS, constan de nueve bandas
espectrales, con una resolución espacial de 30 metros para las bandas de 1 a 7 y 9. Una banda
nueva (banda 1, azul-profundo) es útil para estudios costeros y aerosoles. La nueva banda (9)
es útil para la detección de cirrus. La banda 8 (pancromática) posee una resolución espacial de
15 metros. En el caso de del sensor TIRS, poseen dos bandas térmicas 10 y 11, útiles para
proporcionar temperaturas más precisas de la superficie, con una resolución espacial de 100
m. La resolución temporal de 16 días y resolución radiométrica de 16 bits. El tamaño
aproximado de la escena es de 170 km de norte-sur por 183 kilómetros de este a oeste. La
tabla 2 resume las características de bandas de los sensores OLI y TIRS.

16
 Tabla 2. Bandas espectrales de sensores OLI y TIRS del satélite Landsat 8.
Longitud de Resolución
Bandas
onda (um) espacial (m)
Landsat 8 Banda 1- Aerosol costero 0,43 – 0,45 30
Operational Land
Banda 2- Azul 0,45 – 0,51 30
Imager (OLI) and
Thermal Infrared Banda 3- Verde 0,53 – 0,59 30
Sensor (TIRS) Banda 4- Rojo 0,64 – 0,67 30
February 11, Banda 5- Infrarrojo cercano (NIR) 0,85 – 0,88 30
2013 Banda 6 – SWIR 1 1,57 – 1,65 30
Banda 7 – SWIR 2 2,11 – 2,29 30
Banda 8 - Pancromático 0,50 – 0,68 15
Banda 9 – Cirus 1,36 – 1,38 30
Banda 10 – Infrarrojo térmico 10,60 – 11,19 100
(TIRS) 1
Banda 11 – Infrarrojo térmico 11,50 – 12,51 100
(TIRS) 2
Fuente: modificado a CIAF/IGAC - USGS, (2013, p. 10).

Las imágenes del sensor OLI y TIRS están vinculadas al Sistema de referencia Geográfica
Worldwide Reference System – 2, siendo que estas informaciones están disponibles en
reflectancia para superficie en el sitio http: glovis.usgs.gov/, USGS, 2017.

2.4.2 Conversión de Números Digitales a Reflectancia.

En una imagen de satélite, cada pixel está asociado a un nivel de gris o número digital (ND),
que es una representación numérica cuantificada de los valores de radiancia correspondientes
a cada área fotografiada en terreno (Formaggio e Epiphanio, 1990). La conversión de números
digitales obtenidos por sensores orbitales para los valores de radiancia o de reflecctancia,
permite una mejor comparación de datos de imágenes satelitales en diferentes fechas.

Las diferencias entre radiancia y los NDs son determinadas por los parámetros de calibración
del sensor. El ND de un objeto en la banda 4, por ejemplo, puede ser menor que el ND en la
banda 5, sin embargo, la reflectancia de este objeto en la banda 4 puede que sea mayor que en
la banda 5. Es decir, un mismo valor de nivel digital corresponde a diversos valores de
reflectancias (dependiendo de la banda, de la localización de área y de la fecha de toma).
Como los NDs son poco correlacionados con el comportamiento espectral de los objetos, son

17
los datos de reflectancia que deben ser usados cuando se desea analizar el comportamiento
espectral de objetos en imágenes digitales (Epiphanio e Formaggio, 1989). A los autores aún
les llaman la atención por el hecho de que la reflectancia deba ser utilizada también para la
comparación entre bandas espectrales, visto que con los NDs, los resultados obtenidos no
serían coherentes (Sanches, 2004, p. 39).

2.4.3 Segmentación

La segmentación de una imagen es un proceso de subdivisión de atributos espectrales en

regiones homogéneas, es decir, la localización de regiones en la imagen que poseen pixeles
con características similares (forma, textura y parámetros espectrales) (Schowengerdt, 2007,
(p. 427).

Bins et al., (1996), mencionan que el proceso de segmentación es uno de los primeros pasos
en el análisis de las imágenes satelitales, una vez que la imagen es dividida en regiones que
mejor representan los objetos relevantes en la imagen (p. 677).

A partir de la segmentación de una imagen, se puede iniciar la definición de patrones o de

clases a ser discretizadas. Además, la segmentación tiene como objetivo evitar la subjetividad
del analista, como puede ocurrir en las clasificaciones supervisadas (Aldami, 2004, p. 63).

Uno de los métodos de segmentación más utilizadas en diferentes trabajos de investigación

por sus características técnicas, es la segmentación de crecimiento por regiones. Sin embrago
varios investigadores vienen trabajando con otros segmentadores, entre ellas la segmentación
basada en objetos. Es un método reciente, en evolución y considerada como una alternativa
altamente eficiente en la clasificación de imágenes.

En el presente estudio, se utilizaron dos algoritmos de segmentación incorporadas en el

software eCognitión; el segmentador multirresolusión y diferencia espectral. El primer
algoritmo consiste en crear segmentos en la imagen con base en cinco criterios referentes a:
escala, color, forma, suavidad y compacidad; siendo que el primero determina la

18
heterogeneidad de los objetos, y los cuatro últimos, la homogeneidad. Ellos pueden ser
combinados de varias formas para que el usuario pueda crear objetos homogéneos en
cualquier resolución seleccionada.

El segmentador multirresolución permite la creación de múltiples niveles de segmentación. La

creación de objetos en varias escalas es una de las ventajas de enfoque basada en objetos. Los
objetos de múltiples escalas se relacionan preservando las relaciones de herencia (parent-
child) en la construcción de una red jerárquica de objetos en la imagen. De esta manera, una
clase (subclase) puede heredar de otra clase (superclase) sus comportamientos (métodos) y
posibles variaciones (atributos). En ellos los niveles de segmentación pueden ser más finos o
más gruesos. Cada nivel de segmentación está de acuerdo con los objetos de interés de cada
escala y su nivel de detalle.

Según Baatz y Schape (2000), señala que la principal característica de la segmentación basada
en multiresolución, es la posibilidad de segmentar una misma imagen en diferentes niveles de
escala que se relacionan entre sí, formando una red jerárquica de objetos (p. 12).

La segmentación por multiresolución consiste en analizar los objetos de la imagen en

diferentes niveles de resolución. Ella es fundamentada en el hecho de que los objetos
pequeños pueden ser adecuadamente analizados en una resolución más fina, en cuanto que los
objetos mayores pueden ser adecuadamente analizados en una resolución más gruesa
(Leonardi, 2010, p. 162).

El segundo algoritmo de segmentación utilizada en el presente estudio fue el algoritmo de

diferencia espectral (Spectral Difference). Este algoritmo fue desarrollado para refinar
resultados de la segmentación producida anteriormente a través de la fusión de objetos vecinos
que representan respuestas espectrales semejantes. Los objetos son unidos cuando la
diferencia entre las intensidades espectrales medias fuera menor que el valor dado en el
parámetro de máxima deferencia espectral (Aldami, 2004, p. 63).

19
2.5 Comportamiento espectral de objetos.

En percepción remota, la reflectancia e emitancia de los objetos de un espacio geográfico son

las grandezas radiométricas más importantes en el análisis y extracción de información,
expresadas en patrones espectrales que permiten diferenciar entre objetos (vegetación, suelo,
agua, minerales, etc.). En el caso de la vegetación, específicamente de los cultivos es de
mucha importancia en el análisis, procesamiento y extracción de nueva información de las
imágenes de satélite. Entre los principales patrones espectrales se distinguen; patrones de
respuesta espectral de la vegetación, suelo y agua.

Novo (2011), menciona que las propiedades químicas, físicas y biológicas de los objetos
influyen en la interacción entre ellas y la radiación electromagnética (REM), afectando
directamente la porción de energía reflejada (p. 308). Además, considerar a la porción de
REM reflejada o registrada por sensores orbitales, las condiciones atmosféricas, la geometría
de adquisición de datos, el posicionamiento topográfico, entre otras (Ponzoni et al., 2014, p.
6269).

2.5.1 Respuesta espectral de la vegetación.

La energía reflejada y emitida por un objeto es la que se mide en percepción remota, donde el
objeto examinado tiene un patrón espectral único que lo hace diferente de otro. Muchos
autores mencionan que las diferencias espectrales entre plantas no se deben solo a las
características propias, sino también a factores externos como la altura del sol en el horizonte,
la inclinación respecto al sol, la reflexión y absorción de la atmósfera, capa de ozono,
presencia de vapor de agua, nubes, temperatura de objetos, el suelo, etc. Estos factores
generan desviaciones de la energía y alteran el valor final reflejada por un objeto, (Murillo y
Carbonelli, 2000, p. 25).

La curva espectral representativa de la vegetación es caracterizada por tres aspectos: los

pigmentos foliares, estructura celular y contenido de agua. Los pigmentos foliares se
encuentran en la región visible entre los 400 nm a 700 nm, y se caracteriza por altas

20
absorciones de energía debido a la presencia de pigmentos fotosintéticos como la clorofila y
carotenos. La estructura celular tiene los valores más elevados de reflectancia en el infrarrojo
cercano.

La hoja es el componente de las plantas que más influencia presenta a las propiedades de los
doseles de manera general y más en el caso de los cultivos agrícolas, es por eso el
conocimiento de sus propiedades ópticas es muy importante. Donde la cantidad de energía que
reflejan las hojas de las plantas, es función de la incidencia de la radiación solar, asimismo la
cantidad de energía absorbida, es el monto de energía transmitida. De forma sucinta, el
comportamiento espectral de las hojas en la región del visible, es determinado por la
concentración de clorofila y otros pigmentos, en el infrarrojo próximo es afectado por la
estructura del mesófilo, y en el infrarrojo medio es influida por las propiedades ópticas del
agua y de los tejidos (Sanches, 2004, p. 35).

Las características de reflectancia de los doseles, varían con las propiedades ópticas de suelo,
hoja, morfología del dosel y dirección de visada e iluminación. La morfología del dosel,
referente a la posición geométrica del follaje en el espacio, varia con los cambios en las
variables agronómicas (como el estado de maduración, índice de área foliar, y el porcentaje de
cobertura de suelo) y factores culturales y ambientales (época de siembra, variedad, densidad
de siembra).

Desde el punto de vista de la teledetección, un ciclo agrícola completo corresponde a una

secuencia de etapas; entre ellas el suelo expuesto, acumulación de clorofila y aumento de
cobertura verde sobre el suelo, cantidad de clorofila, así como suelo expuesto nuevamente. Es
importante cuantificar y entender las fuentes de variación en la respuesta espectral de las
plantas para tener éxito en el uso de percepción remota multiespectral y en el monitoreo de
cultivos agrícolas.

Al respecto, Sanches (2004), divide el ciclo de las fases fenológicas de cultivos agrícolas en
tres: 1) considera la siembra, germinación y el desarrollo inicial; donde el cultivo no cubre
totalmente la superficie del suelo, y por eso aún el dominio de suelo en las interacciones con

21
la radiación electromagnética; 2) el dosel ya está formado, y en la mitad de esta fase, se
encuentra la floración y formación de granos, con dominio de la cobertura verde en las
interacciones del cultivo y la radiación; 3) maduración y senecencia, con dominio espectral de
vegetación seca junto al suelo expuesto (p. 36).

Lo mencionado anteriormente, Formaggio y Epiphanio (1989), ratifican que desde el punto de

vista de la teledetección agrícola, la fase fenológica de los cultivos anuales y semiperenes
puede ser dividido en tres fases; i) siembra y emergencia, donde el suelo es el principal
elemento de interacción con la Radiación Electromagnética (REM); ii) recubrimiento del
suelo por el dosel de las plantas, con posterior formación de flores y de granos, ocasionando
mayor interacción por parte de las plantas con la REM; y iii) periodo de maduración y
senescencia de la planta (p. 78).

En la fase inicial i), las características de suelo, materia orgánica, humedad, minerales
presentes son los principales elementos que influyen en la reflectancia del área cultivada. Por
ejemplo, los suelos oscuros, ricos en materia orgánica, son responsables por bajos valores de
reflectancia en la región del infrarrojo cercano. En tanto la presencia de rastrojo (restos de
cultivo anterior) es característico de sistemas de siembra directo, los cuales presentan valores
más elevados (Montibeller, 2018, p. 9).

En tanto en la fase ii), se caracteriza por una mayor influencia de los doseles en los valores de
reflectancia, una vez que este es recubierto el espacio entre las hileras de las plantas. Las hojas
generalmente son los predominantes en un dosel, es por eso las características de influencia de
forma expresiva en la reflectancia. Dentro de las características de las hojas, se puede destacar
cantidades de hojas, posición, orientación espacial, si como la estructura interna de las mismas
(Ponzoni y Shimabukuro, 2010, p. 69).

Como se mencionó anteriormente, la cantidad y tipo de pigmentos influyen principalmente en

la región espectral del visible, cuanta mayor la concentración de estos pigmentos, menores son
los valores de reflectancia en esta región. Estas características pueden ser modificadas de
acuerdo con el estado nutricional de la planta Silva e Beyl (2005). Por otro lado, también

22
ocurre un aumento de número de hojas o que está relacionado con un atributo biofísico de
vegetación denominado Índice de Área Foliar (IAF). Este índice representa el valor de área
foliar por unidad de área de terreno (Watson, 1947).

La tercera fase iii), caracterizada por el proceso fenológico de maduración o de senescencia de

las plantas, con variaciones significativas en los valores de reflectancia identificados en las
tres regiones espectrales. La disminución de los pigmentos, como la clorofila, es ocasionada
por los procesos de maduración y por la disminución de cantidades de agua en la hoja
(senescencia), resulta en un aumento en los valores de reflectancia en estas regiones
(Montibeller, 2018, p. 11).

2.5.2 Índice de vegetación.

En percepción remota, existen un conjunto de parámetros numéricos que permiten estimar y

evaluar el estado de salud de la vegetación, con base a la medición de la energía que las
plantas reflejan y emiten. Estos parámetros permiten la construcción de índices, entre los más
conocidos y usados es el Índice Normalizado Diferencial de Vegetación (NDVI (Normalized
Difference Vegetation Index). Este índice fue introducido con el propósito de separar la
vegetación y del brillo que produce el suelo. Donde el comportamiento radiométrico de la
vegetación, relacionado con la actividad fotosintética y la estructura foliar de las plantas,
permite determinar la vigorosidad de la planta.

Los valores del NDVI, se distribuyen en función de la energía absorbida y reflejada por las
plantas en diversas partes del espectro electromagnético. La respuesta espectral que tiene la
vegetación sana, muestra un claro contraste entre el espectro del visible, la banda roja, y el
infrarrojo cercano (NIR).

Mientras que en el visible los pigmentos de la hoja absorben la mayor parte de la energía que
reciben, en el NIR, las paredes de las células de las hojas que se encuentran llenas de agua,
reflejan la mayor cantidad de energía. En contraste, cuando la vegetación sufre algún tipo de
estrés, ya sea por presencia de plagas o por sequía, la cantidad de agua disminuye en las

23
paredes celulares por lo que la reflectividad disminuye en el NIR, y aumenta paralelamente en
el rojo al tener menor absorción clorofílica. Esta diferencia es la respuesta espectral que
permite separar con relativa facilidad la vegetación sana de otras cubiertas.

El cálculo del NDVI implica el uso de una relación matemática con dos bandas, el Infrarrojo
Cercano (NIR) y el rojo (RED).
(𝑵𝑰𝑹 − 𝑹)
𝐍𝐃𝐕𝐈 =
(𝑵𝑰𝑹 + 𝑹)

Donde el NIR es la reflectancia espectral del canal infrarrojo cercano y RED representa la
reflectancia en el canal rojo del visible. Esta fórmula indica que existe una relación inversa
entre el valor de reflectancia de estas bandas, por lo que es posible su uso para discriminación
de cubiertas vegetales. Los valores de este índice fluctúan entre -1 y 1. Diversos estudios y
publicaciones señalan que valores por encima de 0.1 indican presencia de vegetación, y entre
más alto sea el valor las condiciones de vigor son mejores (Subira, 2013, p 31-32).

Índice de vegetación mejorada – EVI (Enhanced Vegetation Index).

Gao et al., (2000), citado por Murillo y Carbonelli (2012), señalan que el EVI es más sensible
a los valores elevados de biomasa y no se satura como el NDVI. El EVI responde mejor a las
variaciones estructurales del dosel (cobertura aérea vegetal) como el índice aérea foliar, la
fisionomía de la planta y el tipo del dosel. Dadas las condiciones tropicales de la región,
donde hay un alto porcentaje de humedad en la atmósfera, también resulta más práctico el EVI
que el NDVI, (p. 92).

Este índice se optimizó a partir del NDVI aumentando la sensibilidad en las regiones de alta
biomasa y mejoró el monitoreo de la vegetación mediante la disociación de la señal del fondo
del dosel y una reducción de la influencia atmosférica. La ecuación utilizada para su obtención
se indica a continuación:

24
 (𝑵𝑰𝑹 − 𝑹)
𝐄𝐕𝐈 = 𝑮 ∗
(𝑵𝑰𝑹 + 𝑪𝟏 ∗ 𝑹 − 𝑪𝟐 ∗ 𝑩 + 𝑳)

Dónde:
NIR = Reflectancia de la banda del infrarrojo cercano (banda 5)
R = Reflectancia de la banda roja – RED (banda 4)
B = Reflectancia de la banda azul – BLUE (banda 2)
L = Ajuste del fondo del dosel, siendo L = 1
G =Factor de ganacia, siendo G = 2,5
C1 = Coeficientes de resistencia de aerosoles, siendo C1 = 6
C2 = Coeficientes de resistencia de aerosoles, siendo C2 = 7,5

Este índice incorpora un valor ¨L¨ para realizar un ajuste en relación al canopeo, un valor ¨C¨
cómo coeficiente de resistencia de la atmósfera, y un valor correspondiente a la banda azul
(B). Teniendo en cuenta estos coeficientes, se realiza una corrección del índice normal
reduciendo los ruidos producto de la interferencia de la atmósfera, el canopeo y la saturación.
Los valores oscilan entre 0 a 1, próximos a 0 menor vigorosidad y cercanos a 1 vegetación
saludable

Numerosos trabajos vienen utilizando estos índices para estimar atributos biofísicos de
vegetación, como productividad (Mkhabela et al., 2011), biomasa (Moges et al., 2005), entre
otros investigadores.

De acuerdo a la bibliografía científica, es importante mencionar que otros índices de

vegetación como; SAVI (Soil Adjusted Vegetation Index), AVI (índice de vegetación
avanzada), RVI (Ratio Vegetation Index), LSWI (Land Surface Water Index), entre otros,
permiten realizar análisis complementarios e importantes en el comportamiento espectro-
temporal de la vegetación.

25
2.6 Sistemas de Información Geográfica (SIG).

Burrough (1998), define SIG como conjunto de herramientas que permite colectar, almacenar,
recuperar, transformar y visualizar datos del mundo real (p. 333).

Davis y Cámara (2001), señalan que para el tratamiento de las informaciones obtenidas a
través de percepción remota, es recomendable la utilización del SIG. Esta tecnología utiliza
operaciones matemáticas y métodos computacionales para procesamiento de informaciones, a
través de correlaciones espaciales, temáticas, temporales y topológicas (p. 1).

Actualmente, la integración del conjunto de ciencias ligados a la observación de la tierra

(percepción remota, Sistema de Posicionamiento Global – GPS, bases de datos, metadatos,
etc.) al SIG, vienen siendo fundamentales en el análisis, procesamiento y producción de nueva
información importante en la planificación territorial, producción agroproductiva, sistemas de
vida, medio ambiente, entre otras. Esta característica de gestión y administración de
informaciones de diferente naturaleza, integradas a sus componentes, así como a otras
tecnologías modernas, como: la agricultura de precisión, sistemas de alertas tempranas,
modelamientos, predicciones, cambio climático e inteligencia de negocios, administrados
desde ordenadores de escritorio hasta los teléfonos inteligentes, hacen posible con eficiencia el
funcionamiento, la operatividad y precisión de grandes volúmenes de datos, permitiendo
adecuadas tomas de decisión.

26
 CAPÍTULO 3

3. MATERIALES Y MÉTODOS

3.1 Área de estudio.

El área de estudio está localizada en el municipio de Okinawa del departamento de Santa

Cruz. Tiene aproximadamente 100.000,00 ha de superficie. Se encuentra entre las
coordenadas geográficas de 17º 39' 13" latitúd Sur, y 63º 02' 06" longitud Oeste. Posee una
temperatura media anual de 25,8 ºC y una precipitación acumulada de 1188 mm/año
(SENAMHI, 2018). Por otro lado se hace notar que la zona de estudio, se encuentra en una
sobreposición de dos escenas del satélite Landsat 8 (PATH/ROW 231/072 y 230/072). Esta
sobreposición amplió la posibilidad de contar con mayor número de imágenes libres de nubes,
de por lo menos entre 9 y 16 dias que es una de las ventajas importantes. La Figura 2 presenta
la localización del área de estudio.

Figura 2. Localización del área de estudio

Fuente: elaboración propia, con base a la cartografía base de IGM, Ministerio de Autonomías
y composición colorida (RGB-762) de las imágenes del sensor OLI/Landsat 8, 2017.

27
3.2 Instrumentos.

3.2.1 Información de cartografía base y temático.

✓ Cobertura de límites de División Política Administrativa, Instituto Geográfico Militar

IGM, Unidad Técnica de Limites Político Administrativa UTLPA, 2010, Ministerio de
Autonomías.
✓ Cartografía temática del Censo Nacional Agropecuario del INE, 2013.

3.2.2 Datos de sensores remotos.

✓ Escenas de las imágenes del sensor OLI/ Landsat 8, con PATH/ROW 231/072 y
230/072 correspondiente a los meses de producción agrícola de la campaña de verano
2016/2017.

3.2.3 Equipos.

✓ 1 ordenador para procesamiento de información.

✓ 1 GPS Garmin OREGON 550, para el levantamiento de información georeferenciada
en campo.
✓ 1 cámara fotográfica.

3.2.4 Softwares.

✓ Software (Environment for Visualizing Images) ENVI version. 5.2 y eCognition

versión. 9.1 para procesamiento de imágenes.
✓ Software de Sistema de Información Geográfica ArcGIS versión. 10.5.

28
3.3 Metodología.

El proceso metodológico adoptado para el desarrollo de actividades, se presenta en la figura 3.

Figura 3. Flujograma de procedimientos metodológicos

Fuente: elaboración propia, 2017.

29
Con base a estudios y recomendaciones en la aplicación de las imágenes de satélites,
específicamente el Landsat TM y 8, orientados en el análisis de objetos de uso de suelo y
cobertura; para el presente estudio, el análisis de trabajo fue a escala 1:75.000, con la unidad
mínima cartografiable próximos a 6 ha. Complementariamente al área mínima recomendada
por bibliografía, a través del trabajo de campo realizado, así como los testimonios de técnicos
y productores de la zona, las áreas mínimas sembradas oscilan entre 2 a 5 ha. Para ello se
consideraron los siguientes parámetros geodésicos nacionales establecidos por el IGM:

✓ Sistema Geodésico de Referencia: WGS 84.

✓ Sistema de proyección: Universal de Transversal de Mercator (UTM).
✓ Zona 20, latitud sur.

3.3.1 Condiciones de siembra de los principales cultivos.

El conocimiento de las condiciones de producción de los principales cultivos existentes en el

área de estudio, como; la soya, maíz, arroz y caña de azúcar, corresponde a la campaña
agrícola de verano 2016/2017, son fundamentales. Este periodo presenta condiciones
favorables de producción agrícola, referente a las lluvias (periodo lluvioso), temperatura,
humedad relativa, radiación solar entre los principales. Asimismo, esta zona se caracteriza
como uno de los municipios con mayor potencial productivo de cultivos de invierno (trigo,
sorgo, girasol, maíz y en menor cantidad soya), donde los requerimientos agroclimáticos de
los mencionados cultivos agrícolas difieren a la de verano en términos de humedad de suelo,
radiación solar, horas frio, humedad relativa, así como del uso de variedades de cultivos.

Otra característica de la producción agrícola de la zona, son las prácticas de rotaciones de

cultivos bien marcadas entre la campaña de verano e invierno. Las rotaciones que realizan son
principalmente entre las familias de leguminosas y gramíneas, con el propósito de mejorar de
la estructura de los suelos, eliminación de plagas, enfermedades, y sobre todo la fijación de
nitrógeno por las leguminosas al suelo, considerados como las más importantes. Entre las
rotaciones se distinguen los siguientes: caña de azúcar con soya, otra rotación que se observó
es entre soya con trigo, soya con maíz, así como soya con sorgo.

30
En cuanto a las principales variedades de cultivos más utilizadas por los productores para la
campaña de verano 2016/2017, se describen en la tabla 3; y de acuerdo a los testimonios de
técnicos de CAICO, EMAPA y CENACA, estas variedades son las que mejor se adaptaron a
las condiciones edafoclimáticas de la zona; en términos de desarrollo de follaje, rendimiento,
resistencia a plagas, enfermedades, entre otras.

Tabla 3.Principales cultivos, familias y variedades de la zona.

Cultivos Familia Variedades Ciclo

Monasqa
Potencia
Soya Leguminosae Anual
SW-4795
SW-4863
IAC-101
Arroz
Poaceae MAC-18
irrigado Anual
(gramineae) EPAGRI-109
(inundación)
EPAGRI-113
Pioner-30F35
Poaceae DK-392
Maíz Anual
(gramineae) SW-4130
DK-74
UCG 90-20
UCG 96-10
Caña de Poaceae Semi-
RBB 77-26
azúcar (gramineae) Perenne
NA 56-26
CITTCA 85-22

Fuente: elaboración propia, con base al manual técnico de soya de ANAPO, 2017 y la
información técnica de CAICO, EMAPA y CENACA, 2018.

La dinámica productiva, referente a las campañas agrícolas, cultivos, variedades, rotación de

cultivos y el ciclo productivo de la zona, permitió comprender mejor sobre el desarrollo
vegetativo de los cultivos, diferenciando entre las coberturas de bosques, zonas urbanas y
otros objetos, y tener mejores fundamentos en el análisis e interpretación visual de las
imágenes, así como en el comportamiento espectro-temporal de la vegetación.

31
3.3.2 Calendario agrícola.

El calendario agrícola se refiere a la duración del ciclo de producción de cultivos; desde la

preparación del suelo, fechas de siembra y cosecha. Este aspecto incluido con las fases
fenológicas de los cultivos, son informaciones auxiliares de gran importancia, en la
identificación del uso de suelo y en la definición de fechas para adquisición de las imágenes
de satélite (Gürtler, 2003, p. 66).

De acuerdo a las características de prácticas agronómicas de la producción agrícola de la zona,

la tabla 4 resume las etapas del calendario agrícola de los principales cultivos considerados,
con detalles de meses de preparación del suelo, fechas de siembra y cosecha para la campaña
agrícola de verano 2016/2017.

Tabla 4. Calendario agrícola de los principales cultivos de la campaña de verano 2016/2017.

Meses
Etapas del
Cultivos
calendario Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Preparación de suelo
Soya Siembra
Cosecha
Preparación de suelo
Maíz Siembra
Cosecha
Preparación de suelo
Arroz Siembra
Cosecha
Preparación de suelo
Caña de
azúcar Siembra
Cosecha
Fuente: elaboración propia, con base a la información de CAICO y ANAPO 2018.

Según la tabla 4, el inicio de la siembra de la soya y maíz, comienza con las primeras lluvias
de la campaña agrícola, en este caso a finales de octubre, noviembre e incluso diciembre. En
el caso del arroz la siembra realizan desde la segunda quincena de octubre hasta la primera
quincena de diciembre; en la caña de azúcar de año, las siembras inician desde el mes de abril

32
hasta julio, en otras zonas del norte integrado incluso hasta octubre, y en la caña denominada
soca, que es el rebrote de las plantas después de la cosecha, o conclusión de la zafra (julio a
octubre); todo ello bajo condiciones a secano, es decir que dependen de las lluvias para
completar los ciclos agrícolas. En tanto, bajo sistema de riego por inundación como es el caso
de la producción de arroz, precisa de la gestión eficiente del agua proveniente de los ríos, los
cuales también reciben el aporte permanente del agua de las lluvias. Estas características de
producción, así como el manejo de información estadístico por parte de EMAPA, ANAPO y
otras instancias, vienen siendo administrados en tres zonas; Okinawa 1 al norte del municipio,
Okinawa 2 al centro y 3 al sur (ANAPO, 2018).

Según técnicos de CENACA (2016) y EMAPA (2017), señalan que el ciclo de la caña de
azúcar es semi-perenne y la cosecha puede ser realizada en alrededor de 365 días para caña de
año, y alrededor de 540 días caña de año y medio después de la siembra. La caña de año
normalmente permanece como rebrote entre 6 a 8 años de plantación en el caso boliviano y en
otras latitudes varía este dato; y posterior a ese periodo las socas de caña son renovadas. La
cosecha de la caña es practicada normalmente en los meses secos del año, con más intensidad
de julio, agosto a octubre.

Al respecto Schultz (2016), menciona que en condiciones de producción de los cultivos

anuales varían según las variedades. En la soya considerados de ciclo corto menor a 120 días,
ciclo medio entre 121 a 130 días y de ciclo largo mayor a 130 días (p. 39).

En tanto el arroz, presenta un ciclo entre 115 a 130 días en variedades de ciclo corto a medio,
mayor a 150 días las de ciclo largo. En el maíz, entre 120 días el ciclo corto, para municipios
del norte integrado (FENCA-CAISY-CONARROZ, 2013, p. 15). Y por las condiciones casi
similares en el uso de variedades, en la zona de estudio también son las mismas especies las
que se cultivan por las características favorables de producción.

Los mismos autores, señalan que el ciclo de producción de arroz puede ser dividido en tres
fases distintas: la vegetativa, reproductiva y maduración; la fase vegetativa es determinada a
partir de la germinación de la primera semente hasta el periodo en que la panícula se comienza

33
a diferenciar y tiene una duración entre 41 a 51 días. La fase reproductiva tiene una duración
de aproximadamente de 30 a 35 días, iniciando con la diferenciación del primordio de la
panícula y finalizando con la floración. La última fase, es la de maduración teniendo su inicio
después de la floración y terminando con la maduración total de las sementes, esta fase
representa una duración de alrededor de 30 días (p. 15).

La fase reproductiva requiere mayor radiación solar, incidiendo en la producción de granos en

relación a la primera y la última. Siendo la época más adecuada para la siembra en los meses
de octubre a noviembre e incluso hasta principios de diciembre. El arroz bajo inundación
presenta su máximo desarrollo generalmente entre los meses de enero y febrero, posterior a
este periodo se inicia la cosecha, ocurriendo entre los meses de marzo a mayo.

En ese entendido, por las características de las variedades, sistemas de producción a secano y
sistemas de riego, tienen comportamientos distintos en la visión de los sensores remotos,
principalmente en el desarrollo vegetativo inicial, donde las parcelas del cultivo de arroz se
encuentran en áreas totalmente inundadas por agua, presentando una respuesta espectral
diferente a las áreas de cultivos a secano, donde presentan una mayor predominancia de suelo
que las plantas. El conocimiento de las características agronómicas de los cultivos, es
fundamental para la mejor comprensión del comportamiento espectral en las imágenes de
satélite.

Pocos estudios han sido orientados a la identificación y cuantificación de cultivos, debido a la

baja resolución espacial y espectral de los sensores. A pesar de contar con nuevos sensores
satelitales de mayor resolución espacial, las imágenes Landsat continúan actualmente siendo
utilizadas para el seguimiento de cultivos, debido a que es uno de los primeros satélites
disponibles de mediana resolución espacial, por su frecuencia para la adquisición de imágenes
(16 días), número de bandas espectrales y por su facilidad de acceso.

A pesar de ello, en el monitoreo de cultivos es fundamental considerar los calendarios

agrícolas y las fases fenológicas. La obtención de una imagen en teledetección depende de la
relación existente entre las variaciones espectrales, espaciales y temporales del sensor, así

34
como la interacción entre las ondas electromagnéticas con las características físicas,
biológicas o químicas de la cubierta en estudio (Fujisada, 1998; Chuvieco, 2002; Richards y
Jia, 2006; Jensen, 2005).

Chuvieco (1996), señala que mediante las imágenes de sensores remotos es posible identificar,
cuantificar y hacer estimaciones precisas de áreas cultivadas en una determinada región.
Queda el desafío en discriminar cuales de las especies son cultivadas en estas áreas. Para
intentar resolver este problema se debe conocer la fenología de cultivo y relacionarla con el
comportamiento espectro temporal de las mismas (p. 568).

3.3.3 Análisis, selección y descarga de las imágenes de satélite.

Para el desarrollo del presente estudio, se utilizaron imágenes del sensor OLI del satélite
Landsat 8 transformadas para reflectancia de superficie, correspondientes a las escenas del
PATH/ROW 231/072 y 230/072 de los meses de enero, febrero y marzo del año 2017,
preferentemente libre de nubes; y no fueron considerados las imágenes de noviembre y
diciembre de 2016, así como parte del mes de marzo, abril hasta junio de 2017 por presentar
alto porcentaje de nubes. Bajo estas características, se realizó el download de las imágenes
seleccionadas del sitio web: http://earthexplorer.usgs.gov/, level 2A product, los cuales
presentan corrección geométrica y radiométrica (USGS, 2018). (Tabla 5),

Tabla 5. Características de imágenes del sensor OLI del satélite Landsat 8.

Longitud de onda Resolución

Bandas - Sensor OLI- Landsat 8
(um) espacial (m)
Banda 1 - Coastal aerosol 0,43 - 0,45 30
Banda 2 - Blue 0,45 - 0,51 30
Banda 3 -Green 0,53 - 0,59 30
Banda 4 - Red 0,64 - 0,67 30
Banda 5 -NIR 0,85 - 0,88 30
Banda 6 - SWIR 1 1,57 - 1,65 30
Banda 7 - SWIR 2 2,11 - 2,29 30
Banda 8 - Panchromatic 0,50 - 0,68 15
NIR Near-Infrared; SWIR-Short-Wave Infrared
Fuente: elaborado con base a http://landsat.usgs.gov/, 2018.

35
Se hace notar, que las imágenes descargadas corresponden al periodo lluvioso de los meses
mencionados párrafo arriba, y con base al análisis complementario del calendario agrícola, así
como las fases fenológicas, las imágenes libres de nubes corresponden a la fase de mayor
desarrollo vegetativo de los cultivos considerados y más importantes de la zona. Resaltar que
en el presente estudio, se optó por una imagen de referencia de varias escenas, en este caso la
imagen con PATH/ROW 230/072 obtenida el 28/01/2017 con 0 % de nubes. En tanto las
escenas del 19 de enero, 28 de enero, 13 de febrero, 20 de febrero y 17 de marzo se utilizaron
para el análisis y comparación de información espectro-temporal de los objetos. Para el
procesamiento de las imágenes, se utilizaron las bandas 2 al 7 de las multiespectrales, así
como la banda 8 del Pancromático – PAN para la fusión de imágenes. La tabla 6 presenta las
escenas de las imágenes del sensor OLI consideradas.

Tabla 6. Escenas y fechas de las imágenes del sensor OLI/Landsat 8.

Escenas/ Fecha de % de
Observaciones
PATH/ROW adquisición Nubosidad
Fase de emergencia con alto porcentaje
Nov-Dic/2016
87 de nubes
2017-01-19 5 Para análisis espectro-temporal de NDs
231/072
20/02/2017 25 Para análisis espectro-temporal de NDs
2017-03-08 80 Alto porcentaje de nubosidad
2017-01-12 85 Alto porcentaje de nubosidad
2017-01-28 1 Imagen de referencia
13/02/2017 25 Para análisis espectro-temporal de NDs
230/072
2017-03-17 25 Para análisis espectro-temporal de NDs
Fase de maduración, alto porcentaje de
Mar-jun/2017 85
nubosidad

Fuente: elaboración propia, con datos de porcentaje de nubosidad de INPE, 2017.

Se optó en utilizar una imagen de referencia (28.01.2017) para la estimación de áreas de

producción agrícola, en este caso la imagen libre de nubes y que corresponde al periodo de
mayor desarrollo vegetativo de los cultivos, de acuerdo a lo aplicado por Grusco (2007); quien
también señala, que Gurtler (2003) y Sanches (2004), utilizaron imágenes de referencia, en
este caso una imagen para el periodo lluvioso y otra para época seca. El uso de las imágenes

36
en único grupo, está basada en el hecho de que el análisis multitemporal no discrimina las
imágenes de acuerdo con la fecha de adquisición, si no que se torna en una referencia, en que
todo el conjunto de datos es uniformizado con una misma base, siendo más interesante para el
análisis y comparación de datos multitemporales (p. 44).

Referente al análisis de las imágenes de noviembre y diciembre de 2016; poseen un alto

porcentaje de nubes, los cuales corresponde al inicio de la emergencia de los cultivos de soya,
maíz y arroz, etapa de inicio de desarrollo vegetativo, donde aún no existe un desarrollo de las
hojas que puedan cubrir por completo entre hileras y surcos, más al contrario existe una
predominancia de la cobertura de suelo (soya y maíz), espejo de agua caso arroz, y por lo cual
la reflectancia corresponde al promedio suelo, agua y plantas. A diferencia del cultivo de la
caña de azúcar para los meses de noviembre y diciembre las hileras de las parcelas ya son
cubiertas por completo por los doseles de las plantas, debido a que el rebrote o caña de año
fueron sembradas de por lo menos 3 a 5 meses atrás.

En tanto las imágenes correspondientes de los meses de enero y febrero, presentan mejores
características para el análisis visual (sin nubes), espectro-temporal, así como las fases
fenológicas; y de acuerdo al ciclo productivo, los cultivos mencionados se encuentran en el
mayor desarrollo vegetativo adecuados para el análisis y procesamiento de las imágenes. Por
el contrario, las imágenes correspondientes al mes de marzo y abril (2017) presentan
nubosidad, las mismas no permitieron contar con la totalidad de muestras de NDs de los
segmentos consideradas en el análisis espectro-temporal; sin embargo en estos meses la
mayoría de los cultivos ya se encuentra en la etapa de senescencia, es decir en la fase de
maduración, y en algunos casos a inicios de la cosecha principalmente de los cultivos anuales
(soya, maíz, arroz) a diferencia de la caña de azúcar que aún presenta vigorosidad en las hojas.

3.3.4 Corrección atmosférica

Una de las actividades que es realizada antes del procesamiento de las imágenes de satélites,
corresponde a las correcciones geométrica y atmosférica; y por las características de nivel de
correcciones de las imágenes de Landsat 8 realizadas por la Agencia de Servicio Geológico de

37
Estados Unidos (United States Geological Survey - USGS) no fueron efectuadas estos
procedimientos. Sin embargo es importante mencionar los métodos instalados en los
diferentes softwares de procesamiento de imágenes; una de las más utilizadas para la
corrección atmosférica es el módulo FLAAS (Fast Line-of-sight Atmospheric Analysis of
Spectral Hypercubes) de ENVI, que fue desarrollado por Spectral Sciences Inc. (SSI) y el
laboratorio de investigación de la fuerza aérea norteamericana, AFRL/VS, que combina el
código de transferencia radiactiva de MODTRAN4 (Moderate Resolution Atmospheric
Transmittance and Radiance Code).

Para poder utilizar la información radiométrica de la imagen en todas las facetas es necesario
convertir la reflectancia aparente (TOA) a reflectividad de la superficie terrestre, más aún
cuando se realiza el procesamiento de imágenes para el análisis y monitoreo de cultivos.

Hanston et al., (2011), señalan que para poder utilizar la información radiométrica de las
imágenes en todas las facetas, es necesario convertir la reflectividad en el techo de la
atmósfera (TOA) a reflectividad de superficie terrestre (p. 55).

Actualmente, la recepción, procesamiento y la disposición de las imágenes del sensor OLI del
satélite Landsat 8 son de responsabilidad de la USGS. En ese sentido resaltar que las imágenes
están disponibles en forma de productos, siendo que cada uno posee un nivel de
procesamiento. En ese entendido, el producto de Landsat surface Reflectance (level 2A
product) disponible en el sitio http://earthexplorer.usgs.gov/ consiste en imágenes cuyos
números digitales fueron convertidos para valores de reflectancia de superficie por medio de
un proceso de corrección atmosférica, basado en el modelo Second Simulation of the Satellite
Signal in the Solar Sapectrum Vectorial (6SV), y fue desarrollado con intención de utilizar las
bandas espectrales del propio sensor OLI, como la banda cirrus y coastal aerosol, y también
datos auxiliares de alta calidad del sensor MODIS, en un proceso de corrección (Montibeller,
2018, p. 22).

38
El mismo autor indica, que las imágenes del sensor OLI convertidas para reflectancia de
superficie, comenzaron a ser disponibles por la USGS en diciembre de 2014, permitiendo el
análisis más rápido de elementos de superficie terrestre, principalmente en estudios
multitemporales (p. 22).

3.3.5 Fusión de imágenes.

La fusión de imágenes es el proceso de unir la banda de mayor resolución espacial

(generalmente la pancromática, la banda 8 en caso de Landsat 8) con las bandas
multiespectrales de menor resolución espacial, produciendo una imagen a color con ambas
características a través de métodos y algoritmos especializados (Adami et al., 2007, citado por
Marujo, 2016, p. 12). Tal procedimiento puede ser utilizado para mejorar la capacidad de
análisis en el proceso de interpretación de los diferentes objetos en las imágenes.

Dada la importancia de la banda 8 con una resolución espacial de 15 m, con valores

espectrales comprendidas entre 500 a 680 nm, se realizó la fusión con las bandas
multiespectrales del sensor OLI hasta la banda 7 de 30 m de resolución espacial con el PAN
de 15 m, llegando a obtener imágenes multispectrales de 15 m de resolución espacial. Este
proceso se realizó con el propósito de mejorar el análisis visual, interpretación e identificación
de las áreas de producción agrícola, y otras características, en relación a las imágenes de 30 m
de resolución espacial.

Se utilizó el método de fusión Gram-Schmidt Pan Sharpening con remuestreo por vecino más
próximo, por utilizar la función de respuesta espectral de un dato de sensor, en este caso del
sensor OLI, para estimar como los datos del pancromático (ENVI HELP, 2018). Otro motivo
del uso de este método fue, permitir la fusión de las bandas multiespectrales del sensor OLI y
además por preservar los colores y bordes de los objetos cuando se compara con los diversos
métodos disponibles en el software ENVI.

El algoritmo Pan Sharpening, inicia simulando con la banda pancromática a partir de las
bandas multiespectrales, donde la banda pancromática simulada está dentro de intervalo

39
espectral de las bandas. Seguidamente una transformación de Gram-Schmidt es aplicada a la
banda simulada y a las bandas multiespectrales, donde la pancromática simulada es
considerada como la primera banda. Posteriormente, la primera banda Gram –Schmidt es
cambiada por la banda pancromática de alta resolución es una transformación inversa y
aplicada para formar imagen sintética de salida (Meneses et al., 2012, p. 135).

Sin embargo, se hace notar que el rango de valores en las regiones espectrales del PAN es de
500 a 680 nm, que comprende la banda 2 (azul de 450 -510 nm) hasta la banda 4 (rojo 670
nm); y en relación a los valores de las bandas 5, 6 y 7 del sensor OLI que van desde 850 a
2290 nm. En ese sentido los valores fusionados correctamente son de la banda 2 hasta la
banda 4, y no así con las otras bandas. Por esta razón se utilizó las composiciones de bandas
de la imagen fusionada exclusivamente en el análisis e interpretación visual de los objetos y
no así en el procesamiento.

3.4 Interpretación visual.

A partir del conocimiento de sistemas de producción, campaña y calendario agrícola, las fases
fenológicas y de los criterios de interpretación visual de imágenes, como la textura, tonalidad,
sombra, relieve y forma, se analizó los objetos existentes en las imágenes fusionadas en
composición de color verdadero (RGB-432) y no fusionadas en falso color (RGB-564). Donde
se identificó los siguientes objetos; áreas de cultivo (soya, caña, arroz, maíz), bosque,
pastizales, cuerpos de agua, áreas urbanas, caminos, suelos descubiertos y barbecho (rastrojo);
además de cobertura de nubes y sombras en las otras escenas consideradas. Se realizaron
varias combinaciones de bandas, sin embargo, la composición RGB-564 permitió visualizar y
entender mejor las características espaciales y espectrales de los objetos de uso de suelo.

Jensen (2000), citado por Gurtler (2003), señala que para diferenciar varios cultivos usando
datos de percepción remota, es esencial conocer las características de los ciclos fenológicos de
los cultivos. Esta información es utilizada para determinar la época óptima de año para
recolección de datos de percepción remota y discriminar un cultivo de otra (p. 116).

40
Eberhardt (2015), indica que es adecuado realizar el análisis de las imágenes de satélite, en los
periodos de mayor desarrollo vegetativo, enero y febrero (p. 22).

Al respecto, Sanches et al., (2005), mencionan que la composición R4, G5 y B3 de sensores

Thematic Mapper (TM) e Enhanced Thematic Mapper Plus (ETM+) representan mejor las
diferencias entre los cultivos agrícolas y otros objetos como la caña de color magenta (p. 85).

Asimismo, Rizzi y Rudorff (2005), coinciden que las bandas 3 (Rojo), 4 (infrarrojo cercano) y
5 (infrarrojo medio) de los sensores Thematic Mapper (TM) e Enhanced Thematic Mapper
Plus (ETM+) permiten discriminar mejor entre cultivos de soya y otros objetos (p. 228).

Las mencionadas bandas, en composición colorida RGB-564 del sensor OLI del satélite
Landsat 8, fue la que mejor representó las diferencias entre cultivos agrícolas como la caña de
azúcar y maíz con tonalidades de magenta y rojizo, la soya con colores amarillo; en tanto en el
análisis de la vegetación forestal con tonalidades rojo y el suelo expuesto cian. El rojo es un
color de fácil comprensión y sus variaciones son mejores detectadas por el ojo humano. De
esta forma, cualquier variación de matiz rojo dependerá específicamente de cantidades de
energía emitida o absorbida por la vegetación en estudio, posibilitando la mejor separación
entre ellas (Schultz, 2016, p. 33).

3.5 Análisis del comportamiento espectral de cultivos y otros objetos.

El análisis del comportamiento espectro-temporal de los objetos, consistió en la confección de

perfiles de índices de vegetación (NDVI y EVI) y reflectancia. Este proceso fue realizado con
base a las 6 bandas (2 al 7) de las imágenes del sensor OLI, y en las diferentes escenas
consideradas. En el caso del cálculo de los índices de vegetación fue mediante las ecuaciones
matemáticas descritas en la tabla 7 utilizando el software ENVI. En tanto para el análisis de
reflectancia espectro-temporal, fueron utilizados los datos de las parcelas (tablones) de
cultivos y áreas de otros objetos visitados y levantadas en campo (15 segmentos), los cuales
fueron ubicados espacialmente, y sobre ellas se definieron muestras de tamaño 5x5 pixeles en
lo posible en las áreas homogéneas de las parcelas de los segmentos, de acuerdo a lo aplicado

41
en parcelas con polígonos de 25 pixeles (5 x 5) por Sanches (2004, p. 73 y 74). Seguidamente
fueron obtenidos los valores de reflectancia e índices de vegetación (NDVI y EVI) de las
parcelas definidas referente a la media de cada muestra, banda y las escenas correspondientes;
tomando la precaución de que los pixeles estén libres de nubes o ruido.

Tabla 7. Índices de vegetación.

Índice de Vegetación de Diferencia

Índice de vegetación mejorada
Normalizada

(𝑵𝑰𝑹 − 𝑹)
(𝑵𝑰𝑹 − 𝑹) 𝐄𝐕𝐈 = 𝑮 ∗
𝐍𝐃𝐕𝐈 = (𝑵𝑰𝑹 + 𝑪𝟏 ∗ 𝑹 − 𝑪𝟐 ∗ 𝑩 + 𝑳)
(𝑵𝑰𝑹 + 𝑹)
Dónde:
Dónde:
NIR = Reflectancia de la banda del infrarrojo cercano – NIR (banda 5)
R= Reflectancia de la banda roja – RED (banda 4)
NIR = Reflectancia de la banda del infrarrojo cercano – B= Reflectancia de la banda azul – BLUE (banda 2)
NIR (banda 5) L = Ajuste del fondo del dosel siendo L = 1
R= Reflectancia de la banda roja – RED (banda 4) G =Factor de ganacia, siendo G = 2.5
(Rouse et al., 1974) C1 = Coeficientes de resistencia de aerosoles, siendo C1 = 6
C2 = Coeficientes de resistencia de aerosoles, siendo C2 = 7.5
(Huete et al., 2002).

Fuente: elaboración propia, con base a la información de Montibeller, 2018.

A partir de los datos mencionados párrafo arriba, fueron construidos los gráficos de perfiles
espectro-temporales de reflectancia e índices de vegetación de cada parcela, objeto definido,
bandas espectrales y las escenas consideradas libres de nubes, los cuales permitieron analizar
el comportamiento de los perfiles espectrales que ocurren en el periodo definido. Este proceso
tuvo el propósito de comparar los valores de reflectancia e índices de vegetación de las
parcelas levantados en los diferentes segmentos en campo, evaluando así los perfiles espectro-
temporales en las diferentes áreas del municipio, de acuerdo con la fase de desarrollo de las
plantas.

El análisis espectral-temporal, corresponde a la fase de desarrollo vegetativo, donde la

reflectancia tiene la mayor expresión e importancia para los objetivos de la investigación, y no
así en la fase de emergencia donde los doseles de los cultivos aún no cubren por completo el

42
suelo, donde la reflectancia promedio corresponde al suelo por la predominancia. En tanto en
la fase de maduración, tiende a bajar la reflectancia en el infrarrojo cercano debido a la
senescencia de los doseles de las plantas, aumento de restos vegetales muertas y suelo
descubierto.

Al respecto, Formaggio (1989), considera tres etapas de desarrollo de cultivos; fase de

emergencia o rebrote (caso de la caña) hasta el inicio de recubrimiento del suelo entre hileras
por el dosel vegetal. La fase o periodo de máximo desarrollo vegetativo, con dosel
predominantemente constituido de hojas verdes; y finalmente la fase de senescencia
(maduración) hasta la cosecha, esto en el caso de los cultivos soya, maíz y arroz. En tanto, en
la caña de azúcar, no consideró el análisis de caña de año o soca; razón por la cual el
comportamiento espectro-temporal presenta una cierta estabilidad en los índices y valores de
reflectancia (p. 18).

Es importante señalar que el análisis de los perfiles espectro-temporales de reflectancia e

índice de vegetación (NDVI y EVI), fueron realizadas a partir de los valores medios de los
pixeles escalonadas a valores de 0 a 1 de las bandas y las escenas consideradas, permitiendo
extraer información de los diferentes objetos levantadas en los 15 segmentos muestras
definidas.

3.6 Segmentación.

El objetivo de la segmentación es simplificar la representación de una imagen a una forma con

significado y más sencilla de analizar los objetos (Recio, 2009, p. 52).

El método de segmentación más utilizado en el monitoreo de áreas agrícolas mediante

imágenes digitales, es el crecimiento por regiones. Este método agrupa los pixeles con alta
similaridad radiométrica, en regiones continuas, tomando por base los umbrales de área y de
similaridad proporcionado por el analista. (Moreira, 2001, citado por D' Arco, 2008, p. 87).

43
Como principio de segmentación y los nuevos avances en el proceso de clasificación de
imágenes, específicamente basada en objetos, en la presente investigación, se utilizó dos
algoritmos de segmentación incorporadas en el software eCognitión, como son: el algoritmo
multirresolución y diferencia espectral. El primero basado en crecimiento por regiones con
agrupación ascendente, que no precisan conocimiento previo de las regiones presentes en la
imagen, de forma que esta segmente en objetos de manera automática mediante métodos de
clusterizado (Baatz y Schape, 2000, p. 13).

Los algoritmos basados en segmentación por crecimiento de regiones, y principalmente el

segmentador multirresolución, producen objetos más consistentes a la realidad de campo, son
ejemplos de algoritmos de crecimiento por regiones de las más utilizadas para segmentación
de imágenes (Muños et al., 2003, citado por Schultz, 2016, p. 62).

El algoritmo multiresolución, en un procedimiento de optimización para un determinado

número de objetos o segmentos, minimiza la heterogeneidad media y maximiza la
homogeneidad. El resultado de este algoritmo de segmentación es controlado por tres aspectos
principales, como: (i) el criterio de homogeneidad o parámetro de escala, el cual determina la
heterogeneidad máxima permitida de los objetos de la imagen resultante, (ii) el peso del color
y los criterios de forma en el proceso de segmentación (Shape), (iii) el peso de la compacidad
(Compactness) y los criterios de suavizado (cuanto mayor sea el peso de la compacidad, los
objetos serán más compactos (Vicente, 2016, p. 9).

El mismo autor menciona que la determinación óptima de estos tres parámetros es algo
abstracto. Normalmente es necesaria la validación de los posibles errores sistemáticos
mediante una inspección visual de la calidad de los objetos resultantes de la segmentación
(ensayo y error), así establecer el valor apropiado de dichos parámetros. Por otra parte, los
parámetros de configuración óptimos dependen de los objetos que se pretende segmentar.

De todos los parámetros del proceso de segmentación por multirresolución, la escala es la más
importante, es la que determina el tamaño de los objetos contiguos, ya que funciona como
umbral a la hora de permitir o no la fusión de dos objetos adyacentes. Los parámetros de

44
escala bajo suelen producir objetos muy pequeños y con escasa variabilidad espectral; por el
contrario, parámetros de escala alto producen objetos de mayor tamaño en los que la
variabilidad espectral de los píxeles que los forman es mucho mayor (Vicente, 2016, p. 10).

En la tabla 8, se detalla los pesos de los parámetros utilizados por varios autores en la
segmentación por el algoritmo multirresolución, los cuales fueron motivo de análisis para el
uso como base para la segmentación de las imágenes en la presente investigación. Este
proceso de segmentación se realizó en las imágenes de referencia, escena 230/072 obtenida el
28/01/2017 con 0% de incidencia de nubes y entre los mejores periodos de desarrollo
vegetativo de los cultivos en relación de aquellas consideradas.

Tabla 8. Aplicación de pesos en parámetros utilizados en la segmentación por

multirresolución.

Parámetros de segmentación
Imágenes Referencias de autores
Escala Forma Compacidad
Landsat 8 60 0,5 0,8 Kasahara, (2017, p. 36).
Word View 2 50 0,1 a 0,3 0,5 Vicente (2016, p. 23).
Word View 2 60 0,1 0,5 Bento, (2017, p. 49).
Rapideye 10 0,2 0,5 Lazo, (2014, p. 23).
Landsat TM 30 0,8 0,4 Nogueira, (2014, p. 30)

Fuente: elaboración propia, 2018.

Con base a las recomendaciones de uso de los pesos en la tabla 8, se realizó la aplicación de
pesos en la segmentación de la imagen, el cual comprendió 2 niveles. El primer nivel, con la
intención de separar objetos pequeños y grandes homogéneos a través del algoritmo
multirresolución en las 6 bandas de la imagen de referencia. Este proceso se inició con el
despliegue y la visualización de las imágenes en el interfaz de eCognitión, seguidamente se
aplicó los pesos a cada una de las bandas (6 bandas), a la escala (controla el tamaño de los
segmentos de pixeles), color (influencia de la información espectral en la segmentación), la
forma (influencia de la suavidad), y la compacidad, (ver detalle en la tabla 9).

45
 Tabla 9. Variables y parámetros utilizados en la segmentación.
Parámetros de segmentación Valores (pesos)
Pesos de las bandas de imagen del sensor 1, 1, 1, 2, 2, 2
OLI/Landsat 8 (B2, B3, B4, B5, B6 y B7)
Parámetro de escala
Escala 45
Composición de criterios de homogeneidad
Forma 0,3
Compacidad 0,8
Fuente: elaboración propia, 2018

Seguidamente se realizó la segmentación por diferencia espectral, sobre la base de la primera

segmentación, con la intención de afinar los segmentos generados, agrupando en segmentos
parecidos que en general son estadísticamente semejantes dentro de un determinado límite de
media, llegando a constituir el segundo nivel de segmentación. Los parámetros utilizados se
muestran en la tabla 10.

Tabla 10. Resumen de variable y parámetros utilizados en la segmentación por diferencia

espectral.

Parámetros de segmentación Valores (pesos)

Diferencia máxima espectral / Escala 120
Pesos de las bandas de imagen del sensor 1, 1, 1, 2, 2, 2
OLI/Landsat 8 (B2, B3, B4, B5, B6 y B7)
Fuente: elaboración propia, 2018.

Posterior a la segunda segmentación, se analizó visualmente los segmentos generados, donde

fue necesario realizar algunos ajustes adicionales de edición vectorial en los polígonos
generados. La mayoría de los polígonos ajustados están localizados en límites entre tablones o
en pequeñas áreas, en las cuales el algoritmo agrupo objetos distintos. La etapa de edición
vectorial de los polígonos generados por la segmentación es fundamental, pues los valores de
media de polígonos utilizados en el análisis multitemporal deben reflejar el comportamiento
de apenas un objeto, no siendo deseable que haya mezcla de diferentes objetos dentro de un
mismo polígono.

46
Este proceso permitió definir, identificar y extraer información espectral de las diferentes
áreas de uso de la imagen (parcelas de cultivos y otros objetos), a través de la agrupación de
pixeles similares y adyacentes.

Esta técnica fue similar a la utilizada por los autores señalados en la tabla 8, debido a la
compleja disgregación o agregación que presentan los segmentos y que permite delimitar
fácilmente las áreas de interés. En ese entendido, se realizó una rápida inspección visual en la
imagen segmentada, referente a las áreas de bosque, cultivos, áreas urbanas y de cuerpos de
agua plenamente identificadas y ubicadas en la zona de estudio.

3.7 Clasificación.

La clasificación de imágenes, es el proceso de extracción de información en imágenes para

reconocer patrones y objetos homogéneos. Básicamente se conocen dos formas de
clasificación: supervisada y no supervisada. La clasificación supervisada utiliza los
clasificadores por regiones, el cual considera la información espectral de cada pixel, la
información espacial que envuelve la relación entre los pixeles y sus vecinos. Estos
clasificadores procuran simular el comportamiento de un foto-interprete, para reconocer áreas
homogéneas de imágenes, basados en las propiedades espectrales y espaciales de imágenes.
La información de borde es utilizada inicialmente para separar las regiones y las propiedades
espaciales y espectrales que irán a unir áreas con la misma textura. (INPE, 2007, p. 2).

Sin embargo, Recio (2009), menciona otros clasificadores; como la clasificación por pixel,
subpixel, de contexto, la clasificación hibrida, que es el uso de la clasificación no supervisada
y supervisada, clasificación por redes neuronales, clasificación por parcelas, además la
clasificación basada en objetos (p. 47-51).

47
En ese sentido, la clasificación basada en objetos es una metodología relativamente nueva y
creciente, siendo un método alternativo para la clasificación de imágenes. Al respecto, Recio
(2009) y Carvalho (2011), consideran a esta clasificación como semiautomática con la
característica fundamental en la creación de objetos a través de la segmentación de la imagen,
y posterior clasificación de los objetos (p. 48), (p. 24).

Asimismo, Vidal et al., (2009), Rodríguez (2011) y Teo y Huang (2016), señalan que la
clasificación basada en objetos, se compone en dos fases fundamentales; la segmentación de
la imagen (localizar el objeto), y la clasificación del objeto. La primera se fundamenta en la
formación de objetos mediante la unión de pixeles homogéneos. La segunda se refiere a la
clasificación realizada según las características y reglas de los objetos (similar a la
clasificación supervisada), estableciendo variables de la clasificación como los atributos
espectrales, atributos geométricos y de vecindad, que contienen un objeto en específico, y
están representado a través de la información de una imagen.

La búsqueda de patrones de clasificación es realizada utilizando atributos extraídos de los

segmentos muestras, tales como la media espectral de cada banda, atributos de forma y
textura. Dentro de los atributos que son extraídos de los segmentos de una imagen, se destacan
la media espectral, o desvió patrón medio de la respuesta espectral, o brillo, la diferencia
máxima, la compacidad, la rectangularidad, la elipsidad, las texturas, entre otros. La media
espectral de un segmento consiste en la media de los valores digitales de los pixeles presentes
en un mismo segmento, para una determinada banda, los cuales se obtienen en el proceso de
segmentación (Marujo, 2016, p. 25).

La clasificación de imágenes orientada a objetos posee ventajas en relación a la clasificación

por pixel, como son:

✓ Reducir los ruidos inherentes a proceso de clasificación pixel a pixel, como el efecto
sal y pimienta en el mapa temático.
✓ Mejorar la relación entre los valores de los atributos de cada segmento con las
variables biofísicas de la vegetación (Blaschke, 2010, p. 2-5)

48
 ✓ Reducir el tiempo de procesamiento de clasificación, debido a la reducción de número
de objetos a ser clasificados (Blaschke, 2010, p. 6, 15).

En ese sentido, por las características importantes en el proceso de clasificación de imágenes,

específicamente las áreas agrícolas, este método viene siendo adoptado en varios trabajos de
investigación. El proceso de clasificación basada en objetos es bastante utilizado para
identificar cultivos agrícolas Luz et al., (2010), Vieira et al., (2012) y Silva Junior et al.,
(2014), citado por Marujo, (2016, p. 25).

Con base a las características mencionadas, así como el análisis y la interpretación de las
imágenes, información levantada en campo de los objetos identificados (bosque, cuerpos de
agua, áreas de cultivos de soya, arroz, maíz, caña de azúcar, pastizales, barbecho -rastrojo,
suelos descubiertos y áreas urbanas), así como el análisis del comportamiento espectro-
temporal (valores de los índices de vegetación y datos de reflectancia), y la segmentación
del nivel 2; se realizó la clasificación de las imágenes, a través de los algoritmos y
aplicaciones del software eCognition. Para ello se asignó, los objetos definidos en el interfaz
de trabajo Class Hieraachy, como son; bosque, cultivo de soya, maíz, arroz y caña, pastizal,
cuerpos de agua, suelo descubierto, área urbana (figura 4). Seguidamente se efectuó el
muestreo de segmentos, en este caso corresponden a los levantados en campo como verdades
muéstrales, así como otras similares asignando a cada objeto definido en el mencionado
interfaz. Finalmente, con los procesos concluidos para cada objeto en cuestión, se clasificó las
imágenes a través del algoritmo de clasificación mínima distancia o vecino próximo (Nearest
Neighbor) implementado en el software eCognition, que es un algoritmo no paramétrico de
clasificación basado en el muestreo de manera que busca los valores o patrones similares en
los demás segmentos de la imagen, de esta manera se extrae la información correspondiente a
los objetos identificados.

49
 Figura 4. Asignación de objetos en el interfaz y colecta de muestras en el proceso de
clasificación.
Fuente: elaboración propia, 2018.

Al respecto, Lazo (2014), señala que este algoritmo se utiliza con base a muestras definidas
por el usuario y en combinación con el conjunto de características predefinidas para asignar
objetos a las clases. Inicialmente el software necesita muestras representativas típicas de cada
objeto. Con base a estas muestras, el algoritmo busca los objetos más cercanos a la muestra y
evalúa su valor de pertinencia dentro del espacio de características de cada uno de los objetos
(p. 20).

Para Moreira (2014), la clasificación basada en objetos simula el comportamiento de un

intérprete con reconocimiento de áreas en una imagen, analizando no solo el pixel, sino
también sus vecinos. Tal clasificación presupone la existencia de una imagen segmentada (p.
209).

En el caso de una clasificación supervisada, los segmentos son muestras para reconocimiento
de patrones de clases (objetos). La búsqueda de patrones de clasificación es realizada
utilizando atributos de los segmentos muestras con valores de la media espectral de cada
banda, atributos de forma y textura. Y finalmente, los pasos generados son utilizados por un
algoritmo específico para clasificar toda la imagen (Marujo, 2016, p. 25).

50
3.7.1 Análisis de consistencia.

Con el propósito de evaluar y ver la consistencia de la clasificación de las imágenes, se utilizó

la matriz de confusión, considerado como uno de los métodos más empleados en
procesamiento de imágenes de satélite.

Para Rodríguez (2011), el análisis de la matriz de confusión o contingencia, permite comparar

dos clasificaciones, una definida por el usuario como base, y la otra la que se desea evaluar.
Se construye una comparación matricial de clases realizadas de la propia clasificación,
ubicada generalmente en diferentes sectores o en la totalidad del mapa, confrontando con las
clases de cada clasificación (p. 35).

En tanto Laurente (2011), señala que la validación de los resultados de la clasificación de

imágenes, es mediante una matriz de confusión, elaboradas a partir de la tabulación cruzada
de la información generada por la clasificación inicial y la verdad-terreno (p. 6).

En ese entendido de comparar las dos clasificaciones, una definida por el usuario como base, y
la otra que se desea evaluar. La primera corresponde a las mismas áreas de los segmentos
definidos y levantadas en campo (verdad en terreno), y la segunda es la clasificación de las
imágenes basada en objetos. Con base a estas definiciones, inicialmente se exporto en formato
raster al software ENVI para calcular la matriz de confusión. Este análisis de matriz, se basó
principalmente en la coherencia de la clasificación, el cual indica el porcentaje total de pixeles
clasificados correctamente en la imagen, el cual muestra una idea general de la exactitud de
las clasificaciones de las imágenes.

3.8 Análisis y comparación de información oficial con la generada.

Dada la importancia del conocimiento y administración de la información de producción

agrícola por campaña agrícola en las diferentes zonas de producción del país, el INE y el
MDRyT son las instancias oficiales nacionales encargadas de levantar y disponer información
estadística sectorial oficial de manera permanente.

51
El 2013, el INE y MDRyT, disponen la información del Censo Nacional Agropecuario para
los 339 municipios a nivel nacional referente a un conjunto de datos, como la producción,
rendimientos, así como la superficie sembrada de varios cultivos. Actualmente, ambas
instancias levantan información a detalle departamental y no así municipal; en tanto la
Asociación Nacional de Productores Oleaginosas y Trigo (ANAPO) es la instancia sectorial
regional oficial para la Cámara Agropecuaria del Oriente (CAO) del levantamiento y manejo
de información estadístico de producción de cultivos agroindustriales en las diferentes zonas
del departamento de Santa Cruz, en muchos casos en coordinación con las instancias oficiales
públicas. Por otra parte, la Cooperativa Agropecuario Integral de las Colonias de Okinawa
(CAICO), es otra instancia que levanta información de manera continua, referente a las áreas
de producción de cultivos principales del municipio de Okinawa.

Por lo tanto, para fines comparativos de información existente y obtenida en el presente

estudio, se utilizaron datos oficiales de ANAPO y CAICO correspondiente al municipio de
Okinawa de la campaña de verano 2016/2017.

3.9 Metadatos.

Con el propósito de documentar, conocer, localizar y disponer la información cartográfica

generada en el presente estudio, se realizó la catalogación de datos, de acuerdo al perfil
nacional de metadatos de la Infraestructura de Datos Espaciales – Estado Plurinacional de
Bolivia (IDE-EPB). Para ello se utilizó la plantilla de catalogación de datos con los campos
mínimos recomendados, y adecuados para la administración por la IDE-EPB; los cuales son
parte de los procedimientos de la propuesta de Federal Geographic Data Committe (FGDC)
con normalización internacional ISO (International Standard Organization) 19115:2003-
Geografhic Information Metadata y la ISO/TS 19139:2007.

El llenado de información, fue realizada en la plantilla disponible por GeoBolivia, con el

siguiente contenido: identificación, referencia de metadados, organización, referencia
espacial, calidad de datos, entidad y atributos, formato, etc.

52
De acuerdo a FGDC (2001), los metadatos describen el contenido, la condición, historia, la
localización y formato del dato, siendo utilizado para identificar cual dato existe, la calidad y
como acceder y usarla. La principal propuesta de patrón de metadatos es de FGDC, comité
que promueve la coordinación de uso, cambio y difusión de datos espaciales en los Estados
Unidos (p. 1).

Para el Instituto Geográfico Agustín Codazzi (2008), el metadato es definido como los “datos
acerca de los datos”; referente al contenido, calidad, distribución, actualidad y referencia
espacial del conjunto de datos, se llama metadato (p. 8).

Actualmente, la información catalogada es difundida por una Infraestructura de Datos

Espaciales (IDE). IGAC (2008), define la IDE, como las tecnologías, las políticas, estándares,
y recursos humanos necesarios para adquirir, procesar, almacenar, distribuir y mejorar la
utilización de los datos geoespaciales (p. 6).

Al respecto GeoBolivia (2019), señala que cuenta con una propuesta de legislación
desarrollada; el cual define lineamientos y mecanismos de aplicación nacional, para facilitar la
generación y acceso a la información georreferenciada del Estado. Esta norma establece como
parte de las funciones de las entidades productoras de datos espaciales, la de compartir esta
información vía servicios interoperables, siguiendo estándares definidos por el Comité
Interinstitucional de la Infraestrucutura de Datos Espaciales del Estado Plurinacional de
Bolivia (CIIDEEPB).

3.9 Trabajo de campo.

Mediante la coordinación con las instancias correspondientes relacionadas en la producción

agrícola (instituciones operativas del MDRyT, CAICO y ANAPO) y la metodología de
levantamiento de información georeferenciada en campo, se realizó el trabajo en terreno a
mediados del mes de febrero de 2017 (campaña de verano 2016/2017), con el apoyo logístico
y técnico del MDRyT y CAICO.

53
Previo a la elección de la metodología de levantamiento de información en campo, se analizó
la metodología de Aldami (2004), quien determina el tamaño de segmentos de 1,0 km x1,0
km, con una definición de muestra de 0.5 a 5 % dependiendo del área total del estrato (p. 93);
en tanto Sanches (2004), con definición del marco de muestra y puntos de muestreo (p. 75), y
Kalbermatter et al., (2010), aplica el método muestreo por áreas; siendo que esta última
metodología, por las características de aplicabilidad (costo, tiempo, equipos y sistemas de
producción extensiva), fue el que mejor se adecuó para el levantamiento de información.

La mencionada metodología, consistió en el uso del método de muestreo por áreas, con el
propósito de contar con muestras de toda el área de estudio. Este método fue adaptado por
Kalbermatter et al., (2010) en el departamento de Información Económica y Social del
Laboratorio de GIS y Teledetección Argentina. Donde los mismos autores señalan que el
muestreo es una aplicación de la teoría estadística basado en leyes de probabilidad que
permite hacer inferencias sobre la población a partir de características de un subgrupo de esa
misma población. En esta metodología se define al satélite como un encuestador calificado
que recorre las muestras de manera objetiva, toma datos de los cultivos y otros objetos
presentes en ella. Este método es considerado ideal para la estimación de grandes áreas o
regiones en relación a otros (p. 13). En el presente estudio, se utilizó esta metodología
exclusivamente para la obtención de datos de las parcelas correspondientes a los objetos
distribuidos en toda la zona.

Mediante este procedimiento, fueron definidos 15 segmentos muestras, con 400 ha cada una y
distribuidos aleatoriamente en toda el área de estudio. La construcción y distribución de los
segmentos en forma de grilla, se realizó mediante la aplicación de Grids Index Features de
ArcGIS sobre la imagen de referencia compuesta RGB-564; y adicionalmente se consideró en
cada segmento, las parcelas (tablones) de los cultivos, como de otros objetos identificados a
levantar. El detalle de la metodología se describe a continuación:

54
Paso 1. Estratificación

• Análisis e identificación del uso de suelo e intensidad de producción agrícola, en este

caso, con la definición de dos estratos (figura 5):

o El primero abarca las áreas de producción agrícola y producción mixta

(pastizales, barbecho, suelo descubierto, otras).
o El segundo consiste en áreas cubiertas de bosque.

Para el presente estudio, se aplicó solo para las áreas de producción agrícola y producción
mixta.

Estrato 1
Estrato 1
Agropecu
Agropecuario
ario

Estrato 2
bosque

Figura 5. Identificación de estratos, mediante el análisis de imágenes del sensor OLI

Fuente: elaboración propia, 2017.

55
Paso 2. Diseño de muestra.

• Se compuso una grilla que cubre toda la zona de estudio mediante la aplicación de
Grids Index Features de ArcGIS, donde cada celda presenta una superficie de 400 ha,
y define a cada celda como un segmento muestra (n) para la estimación de áreas. Solo
se consideró en cuenta las celdas que contienen superficie dentro del primer estrato
(figura 6).

Muestra
(Celda de
400 ha)

Figura 6. Diseño de la muestra.

Fuente: elaboración propia, 2017.

Paso 3. Identificación y selección de los segmentos muestra.

• Se asignó a cada segmento muestra (n) un número identificador, utilizando el muestreo

sistemático de 1 a N con un orden concéntrico, en este caso N= 316. Para obtener la
cantidad de segmentos muestras a levantar, se aplicó el siguiente criterio:

n=N*5%; n=316*0.05 = 15.8; =16

56
 • Cálculo del intervalo entre segmentos muestras n:

N/n=316/16 = 19.75; = 20

• Selección de un número al azar entre 1 a 316

N inicial aleatorio = 17

N= (17, 29, 49, 69, 87, 109, 129, 149, 169, 189, 209, 229, 249, 269, 289, 309)

Figura 7. Muestras de segmentos seleccionadas.

Fuente: elaboración propia, 2017.

De acuerdo al diseño de muestra, el segmento 289, no fue considerado por contener área
mínima con cuerpos de agua y la inaccesibilidad.

57
Paso 4. Recolección de datos en campo.

Con el detalle de la figura 7, más la inclusión de coberturas de cartografía base, como

caminos, ríos y centros poblados, se elaboró el mapa base para el levantamiento de
información georeferenciada en campo (figura 8).

Con base al mencionado mapa base impreso, el auxilio del receptor GPS y planillas
codificadas de cultivos (Anexo 1), se recorrió cada uno de los segmentos muestras definidos,
levantando las coordenadas insitu de las parcelas (tablones) con cultivos de soya, arroz, maíz,
caña de azúcar y otros objetos, como; bosque, pastizal, suelo descubierto, barbecho (rastrojo),
cuerpos de agua, áreas urbanas. Asimismo, se tomaron fotografías y una breve descripción de
las áreas recorridas.

Por las características de sistemas de producción agrícola de la zona, no se realizó la segunda

vista de campo correspondiente al final del ciclo productivo (marzo-abril), a razón de que en
la zona no se observó siembras escalonadas posterior a los realizados con cultivos de soya,
maíz, arroz, caña y otros, debido a que en el mes de abril comienza la siembra de cultivos de
la campaña de invierno 2017, donde los requerimientos agroclimáticos, variedades, etc.,
varían a la de verano.

58
 Figura 8. Mapa base para el levantamiento de información georeferenciada en campo.
Fuente: elaboración propia, 2018.

59
 CAPÍTULO 4

4. RESULTADOS Y DISCUSIONES

El presente capítulo detalla los siguientes resultados: interpretación de imágenes, trabajo de

campo, análisis del comportamiento espectro-temporal de los cultivos, estimación de las áreas
de los cultivos (segmentación, clasificación y evaluación de consistencia) a través de la
clasificación basada en objetos y comparación de datos oficiales con las obtenidas.

4.1 Interpretación visual de imágenes.

Con base al análisis e interpretación de las imágenes (forma, color, textura) de referencia, en
la composición falso color (RGB-564), así como de imágenes fusionadas en color verdadero
(RGB-432), se logró identificar 11 objetos de forma satisfactoria; los cuales fueron verificados
en trabajo de campo, consistentes en: parcelas con cultivos de soya, caña de azúcar, maíz y
arroz, además de áreas con pastizales, tablones de barbecho (rastrojos), suelo descubierto,
bosque, cuerpos agua, áreas urbanas y caminos.

En tanto, en las imágenes de las escenas de enero, febrero y marzo también en la composición
colorida RGB-564 con ajuste de valores en Stretch (linear 2 %) realizadas en ENVI, fue
posible observar y establecer patrones de comportamiento en cuanto a color, textura y forma
de los cultivos, así como de otros objetos. Estas características fueron contrastadas con el
calendario agrícola y fenología de cultivos, estableciendo que a mediados de enero y entrando
a la segunda quincena de febrero de 2017 como la etapa de mayor desarrollo vegetativo;
aspectos que coinciden con las características de homogeneidad de color y textura de las
mencionadas áreas. Considerando lo señalado, se observó el color amarillo a naranja
característico del cultivo de soya; rojo, magenta a marrón de la caña de azúcar; rojizo a
marrón en menor cantidad de maíz; y rojo, naranja, magenta, marrón con azul y azul oscuro
(agua) en el arroz. También se observaron color celeste a cian y celeste, cian a verde; la
primera corresponde al suelo descubierto, la segunda representa al barbecho (rastrojo) de los
otros cultivos cosechados y dejados en el suelo en la anterior campaña agrícola.

60
En tanto el bosque presentó una coloración rojo oscuro a marrón de modo general, formas
variables irregulares, con textura rugosa. Los pastizales con coloración variada, verdusco, rojo
a rojo claro correspondientes a pastizales cultivadas con manejo; en tanto verdusco azulado y
rojo claro en otros pastizales de poca vigorosidad debido a las características propias de
manejo; formas regulares y también variables, con texturas lisas caso de los pastizales
cultivados, áreas con pasturas sin ningún uso, y con cierta rugosidad en pastizales sin manejo
por la presencia de arbustos y otras especies arbóreas. En el caso de las zonas urbanas, mistura
de colores (celeste, cian, naranja, rojo, etc.) y formas regulares como irregulares con tamaños
variados. Referente a caminos, colores cian, celeste, amarillo claro, formas lineales y textura
lisa. En tanto en los cuerpos de agua, colores azul claro a azul oscuro.

Al respecto, Formaggio y Sanches (2017), señalan que las bandas de las regiones de Red (4),
NIR (5) y SWIR (6) de las imágenes del sensor OLI de Landsat 8, son las más empleadas en
estudios agrícolas basadas en la interpretación visual de las imágenes (p. 129).

Como resultado de la interpretación visual y verificadas en campo, la tabla 12 muestra la

descripción de los objetos identificados y la relación de las tipologías en la composición falso
color (RGB-564) de las imágenes del sensor OLI, fotografías y el patrón cualitativo de los
objetos para zona de estudio; aspectos que podrían ser referentes en otros estudios
considerando alguna variación del patrón en otras zonas debido a las características del cultivo
y manejo de las mismas.

Tabla 11. Tipología de cultivos y otros objetos identificados.

Objetos Tipología–imágenes OLI Tipología de fotografías Patrón

en composición RGB- 564
Color; amarillo-naranja,
Textura; lisa
Forma y tamaño;
variado cuadrados,
Soya
rectangulares
Fase fenológico;
desarrollo vegetativo,

61
 Color; rojo, magenta a
marrón,
Textura; uniformes
Forma y tamaño;
Caña de
variado, rectangulares,
azúcar cuadrados
Fase fenológico;
desarrollo vegetativo

Color; rojo, naranja,

magenta, marrón, con
azul y azul oscuro
(agua)
Arroz Textura; liso
Forma y tamaño;
variado
Fase fenológico;
desarrollo vegetativo
Color; rojizo a marrón,
Textura; uniformes
Forma y tamaño;
variado, cuadrado y
Maíz rectangulares
Fase fenológico;
desarrollo vegetativo

Color; verdusco, rojo,

rojo claro, cian, Textura;
lisa a poco rugosa
Forma y tamaño;
Pastizal variado
Presencia de arbustos y
arboles

Color; cian, celeste a

verde
Textura: lisa
Barbecho Forma y tamaño;
(rastrojo) variado

Color; variado celeste

con cian, mistura de
Área colores
Textura: rugosa
urbana y Forma y tamaño;
caminos variado regular,
cuadrados,
rectangulares, líneas

62
 Color; rojo marrón
oscuro
Textura; rugosa
Bosque Forma y tamaño;
variado

Color; celeste a cian

Textura; lisa
Forma; regular,
Suelo cuadrado, rectangular
descubierto Tamaño; variado

Color; azul, azul oscuro

Textura; lisa
Forma; irregular, lineal
Cuerpos de (ríos) circular, cuadrado
agua (reservorios)
Tamaño; variado

Fuente: elaboración propia, 2018.

Formaggio y Sanchez (2017), señalan que en la composición falso color RGB del NIR-SWIR-
RED en pleno vigor vegetativo, la soya aparece en tonos de color amarillo, en tanto el maíz en
tonos rojos y la caña también en matices de rojo a magenta, este comportamiento es debido a
la alta reflectancia en la región del NIR y seguido en el SWIR (menor que en el NIR) (p. 129).

Al respecto Eberhardt (2015), indica que la soya en la composición falso color RGB-564 de
las imágenes del sensor OLI, se caracteriza por los matices de amarillo a naranja, y el maíz
con matices rojo oscuro, ambos cultivos con texturas uniformes a lo largo de los tablones (p.
65, 66).

Para De Almeida (2006), la coloración de matices de caña en la composición RGB 453 en

imágenes Landsat TM es rojo, con textura bien homogénea. Otro aspecto muy relevante en la
identificación de un tablón de caña es su fenología, bien diferenciado de otros cultivos (p. 64).

63
Schutz (2016), señala en la correlación de las fotos tomadas en campo de las parcelas con caña
de azúcar con diferentes alturas de dosel, con los valores de los pixeles de las imágenes de
sensor OLI. Donde las parcelas de caña con menor altura de dosel, presentaron matices a
marrón, y los demás presentaron tonalidades de color magenta. Asimismo, indica que las
parcelas de color magenta aparte de mayor altura de los doseles también están en función de
las diferentes edades. (p. 139).

Rizzi y Rudorff (2005), señalan que en la composición colorida RGB 564 en las imágenes
Landsat con contraste de máximo y mínimo, el maíz presenta matices con influencia de color
rojo (oscilando entre amarillo a marrón).

Con la misma combinación colorida (RGB-564), los matices del arroz inundado se
caracterizan de colores naranja, verdusco a marrón con mezcla de colores azules que son
propias del espejo de agua.

4.2 Trabajo de campo.

El trabajo de campo fue realizado con base a la metodología de levantamiento de información

en terreno descrita en el acápite 3.9, correspondiente a la segunda semana del mes de febrero
de 2017; y de acuerdo al calendario agrícola y fases fenológicas, pertenece al periodo de
mayor desarrollo vegetativo de los cultivos, y en consecuencia registro de mayores valores de
índices de vegetación y reflectancia, aspectos que fueron fundamentales en la diferenciación
de los cultivos y otros objetos.

Fueron levantados 211 puntos georeferenciados correspondientes a 10 objetos de 11

identificados como son; las parcelas (tablones) con cultivos de soya, caña de azúcar, maíz y
arroz, áreas con pastizales, tablones de barbecho (rastrojos), suelo descubierto, bosque,
cuerpos de agua y áreas urbanas en los 15 segmentos definidos; los caminos no fueron
considerados en la evaluación. En algunas parcelas de los segmentos no se logró ingresar por
que las propiedades estuvieron cerradas, y en otros casos bajo el cuidado de responsables y no
así de los propietarios los mismos no tenían autorizados el ingreso de otras personas.

64
De acuerdo al análisis de la información levantada en campo, la tabla 12 resume la
predominancia de los objetos mencionados en cada uno de los segmentos, los cuales se
muestran a continuación.

Tabla 12. Objetos presentes colectados en los segmentos muestra.

Número de segmentos
Objetos Total %
17 19 49 69 87 109 129 148 169 189 209 229 249 269 309
Pastizal 4 3 5 5 1 3 5 2 4 6 3 3 4 3 3 54 25,6
Soya 1 2 2 4 1 12 7 6 1 2 1 5 2 46 21,8
Caña de azúcar 2 3 1 8 2 3 2 1 2 2 1 1 2 30 14,2
Bosque 3 5 2 2 2 1 1 1 1 1 1 2 22 10,4
Barbecho (rastrojo) 1 2 1 1 1 1 1 1 2 1 1 1 2 2 3 21 10,0
Suelo descubierto 1 3 2 2 1 1 1 2 2 1 1 17 8,1
Arroz 2 2 2 3 1 10 4,7
Cuerpos de agua 1 1 1 1 2 1 7 3,3
Maíz 1 1 2 0,9
Área urbana 1 1 2 0,9
Total 211 100,0

Fuente: elaboración propia, 2018.

De acuerdo al porcentaje de frecuencia de los objetos de la tabla 12, los pastizales presentan
mayor predominancia (25,6 %), seguido por la soya (21,8 %), la caña de azúcar (14,2 %), el
arroz (4,7 %), y el maíz (0,9 %). Del total de muestras, el 41,7 % corresponden a las áreas
sembradas por los cultivos para la campaña 2016/2017. Por otra parte, los objetos como
bosque, barbecho, suelo descubierto y áreas urbanas representan el 58,3 %.

Haciendo una relación de las frecuencias obtenidas, con las estimaciones de superficies
sembradas a diciembre de 2016 de cultivos para la campaña 2016/2017 por ANAPO (2018), la
soya representa la mayor superficie sembrada a diciembre de 2016 (25.000,00 ha); además
este cultivo es considerado como el de mayor importancia de la mencionada campaña agrícola
en relación a otros cultivos. Sin embrago la caña, e incluso el arroz también son
fundamentales en términos de superficie de producción agrícola, así como se observaron
visualmente en las composiciones de las imágenes RGB-564 de los 15 segmentos muestras
definidas, como también durante las visitas en terreno.

65
4.3 Análisis del comportamiento espectro-temporal de los cultivos durante el periodo de
desarrollo vegetativo.

La generación de los perfiles espectro-temporales corresponden a los índices de vegetación

(NDVI y EVI) así como la reflectancia de los cultivos en cada banda (2 al 7) y de las escenas
consideradas. Estos perfiles, representan a los valores medios de los pixeles (5x5) de las
parcelas con cultivos de soya, caña de azúcar, arroz y maíz levantados en los 15 segmentos
definidos en la presente investigación.

La sobreposición de las escenas de Santa Cruz (231/072) y San Antonio de Lomerio (230/072)
de las imágenes de Landsat 8 de la zona de estudio, permitieron contar con más información
tanto para el análisis visual, así como de perfiles espectro-temporales de los objetos de la
campaña agrícola 2016/2017.

De modo general, los perfiles espectro-temporales de soya, caña de azúcar, arroz, maíz y otros
objetos representan el comportamiento típico esperado de la vegetación. Sin embrago para los
cultivos anuales (soya, arroz y maíz) así como el semi-perenne (caña) se puede señalar que de
acuerdo a la campaña agrícola y las fases fenológicas, el periodo de máximo de desarrollo
coincide con la segunda quincena de enero a la primera quincena de febrero. En este periodo
fue posible identificar a través de la banda 5 del (NIR) donde mantuvo las mayores diferencias
entre los tablones de los cultivos y otros objetos presentes.

En ese sentido, este análisis permitió establecer los valores más elevados de índices de
vegetación y reflectancia para el periodo de mayor desarrollo vegetativo, asimismo diferenciar
entre cultivos, observar el aumento y disminución de la vigorosidad de los doseles de los
cultivos, como la soya, maíz, y arroz que son cultivos anuales de ciclo corto; en el caso de la
caña de azúcar por ser un cultivo semi-perenne durante las fechas de los tres meses no se
observaron cambios significativos debido a que en esas fechas aún se encuentra en pleno
desarrollo vegetativo, por lo cual los índices de vegetación y la reflectancia se encuentran con
los mayores valores con cierto patrón de continuidad, pudiendo observar un leve descenso en
marzo.

66
Sin embrago, se hace notar que por la presencia de alto porcentaje de nubes en las imágenes
de noviembre y diciembre de 2016, etapa correspondiente a la siembra y emergencia de
cultivos, no fue posible analizar el comportamiento espectro-temporal; no obstante, en los
meses mencionados la emergencia de los cultivos de soya y maíz aún no cubren los doseles de
las plantas los espacios entre plantas y surcos, similar situación en el caso del arroz bajo
condiciones de riego inundado, y en consecuencia existe una predominancia del suelo (soya y
maíz) y agua (arroz) en la reflectancia de las parcelas, aspecto que aún no define con claridad
el tipo de cultivo. Asimismo, parte del mes de marzo, abril hasta junio 2017 las imágenes
presentaron también un alto porcentaje de nubes, y en contraposición de la fase de
emergencia, los cultivos de soya, maíz y arroz, se encuentran en la etapa de maduración e
inicios de cosecha; en tanto la caña de azúcar aún se halla en la fase de desarrollo e inicios de
maduración, donde los doseles de los cultivos se encuentran en sencencia, es decir reducción
de producción de pigmentos (clorofila, carotenos, etc.). Estos aspectos mencionados, limitaron
contar con datos complementarios en el análisis de los perfiles correspondientes a la fase de
emergencia y maduración.

Ferri (2002), D Arco (2008) y Eberhardt (2015), mencionan que el periodo más importante
para la diferenciación de cultivos es la fase de desarrollo vegetativo (mayor desarrollo
vegetativo), etapa donde se separa espectralmente mejor debido a la producción de pigmentos
de las plantas, contenido de agua en los doseles, estructura y disposición foliar, aspectos
fundamentales en la interacción entre los doseles y la radiación electromagnética de las
bandas. Asimismo, señalan que para un adecuado análisis de cultivos de ciclo corto se debería
de contar con al menos 4 imágenes, una para cada mes; mismas podrán identificar las
variaciones fenológicas y respuesta espectro-temporal de las parcelas, asegurando de esta
manera el riesgo posible a errores de clasificación (p.33), (p.137) y (p.22, 56).

Asimismo, Ferri (2002), señala que cuanto más las plantas cubran el suelo, menor será la
influencia de este sobre la respuesta espectral del cultivo (p. 79).

Al respecto, Formaggio (1989), indica que, en cultivos agrícolas de ciclo corto, la variación de
cantidad de material vegetal presentes en los doseles de las plantaciones durante el desarrollo

67
fenológico es fundamental y de mucho interés en la interacción electromagnética con el
cultivo, y los sensores remotos (p. 78).

Eberhardt (2015), señala que la duración de la respuesta espectral del maíz con tonalidades
rojizas, es de aproximadamente dos meses, similar a la soya. Este comportamiento puede ser
visualizado en todos los tablones de producción a secano, así como bajo sistemas de irrigación
(p. 62).

Por otra parte, Rizze y Rudorff (2005), indican que para el mapeo de las áreas de producción
de soya son necesarias al menos dos imágenes Landsat del periodo vegetativo (p. 230).

En el caso de los bosques, el comportamiento de las curvas de reflectancia es continua y casi

similar en todas las áreas por tratarse de vegetación permanente (perenne); sin embargo, de
acuerdo a estudios Machado (2017) y Grusco (2007), señalan que se produce descensos leves
de vigorosidad en los meses de julio a septiembre, debido al periodo de estiaje donde la
precipitación disminuye en relación a la época lluviosa.

Grusco (2007), menciona en el análisis del comportamiento espectral de bosques, la poca

variación en la forma de la curva, lo que caracteriza la presencia de bosque. Asimismo, señala
que la estructura del bosque es el principal responsable por la leve disminución de valores de
reflectancia en la estación seca (en imágenes de junio a agosto). En esta época siempre hay
pérdida de hojas, y que puede aumentar espacios en la estructura foliar del bosque y disminuir
la reflectancia de los doseles de las plantas (p. 64).

En el caso de los pastizales, para los meses de análisis de la campaña agrícola 2016/2017, se
observaron un comportamiento espectral variado en todas las áreas de análisis, con formas
irregulares y regulares, tonalidades heterogéneas; aspectos que podrían ser por el sistema de
manejo de pastizales. Sin embargo, también se observaron áreas en descanso y otras con
presencia de pastos (gramíneas principalmente y otras especies arbustivas) con similar
característica, sin presencia de cercos ni manejo.

68
Grusco (2007), señala que en la mayoría de veces los pastos son heterogéneos y sin patrón
geométrico definido, más en algunos periodos de año (generalmente en los meses de abril a
noviembre) presentan vigor vegetativo más evidente. Los pastizales presentan valores más
bajos en magnitudes de 0,37 a 0,58. En relación al bosque, los valores varían de 0,45 a 0,67
(p. 65).

Respecto al suelo descubierto, se observó características variables, con parcelas en

preparación, tablones en descanso con aplicación de cobertura verde, con aplicaciones de
herbicidas para la eliminación de coberturas para la próxima siembra, preparación de suelos
para la siembra de la campaña de invierno 2017, con tonalidades casi similares celeste y cian.
Asimismo, se observó en el recorrido del campo parcelas con barbecho (rastrojo) y rebrote de
cobertura, con matices verde a cian.

En ese entendido, el análisis del comportamiento espectro-temporal de las áreas de pastoreo,

suelo descubierto, áreas de barbecho (rastrojos), bosque, cuerpos de agua y áreas urbanas
merece tener un abordaje diferenciado, y al no ser parte de los objetivos de la investigación no
se realizó el análisis correspondiente.

A continuación se presentan las figuras de comportamiento espectro-temporal (índices de

vegetación y reflectancia) de soya, caña de azúcar, arroz y maíz; característica que permitió
establecer las fechas de las imágenes que mejor separaron los cultivos de otros objetos, así
como el registro de los mayores valores de reflectancia, de acuerdo a los valores medios de
NDs de cada parcela muestreada en los 15 segmentos.

4.3.1 Soya.

De acuerdo a la distribución del total de los 15 segmentos en la zona de estudio, en 13

segmentos se encontraron parcelas de soya, es decir una mayor predominancia de este cultivo.
En las imágenes del 28 de enero y 20 de febrero se observan los mayores valores de
reflectancia e índices de vegetación (NDVI y EVI), el cual indica los periodos de mayor
desarrollo vegetativo. Para la primera fecha se puede atribuir a una siembra normal de acuerdo

69
al calendario agrícola y fenología del cultivo; y la segunda a una siembra atrasada. La figura
9, muestra los valores medios de índices de vegetación y reflectancia para el 28 de enero
2017, correspondiente a las parcelas de los segmentos 49, 87, 169, 189 y 229.

Índices Reflectancia

70
Figura 9. Curvas de índices y reflectancia de parcelas (tablones) de los segmentos 49, 87, 169,
189 y 229
Fuente elaboración propia, 2018.

Los perfiles espectrales de la figura 9, registran valores medios de NDVI con alrededor de
0,92 y próximos a 0,90 de EVI, las diferencias entre estos valores se debe a que el NDVI
presenta mayor saturación en la estructura foliar de la plantas, en tanto el EVI, ajusta mejor
los valores de la vegetación con los datos de suelo y canopeo del mismo sensor, con inclusión
de la banda 2 y la resistencia a los aerosoles (constante C), por eso presenta valores menores
al NDVI, y por tanto un mejor ajuste. Referente a los valores medios de reflectancia, la banda
5 del infrarrojo cercano es la que presentó mayor valor entre 0,45 a 0,60, seguido por la banda
6 con alrededor de 0,22 y con 0,10 a 0,11 la banda 7.

La respuesta espectral de la soya en la composición colorida (RGB-564), del periodo

señalado, presentó matices amarrillo a naranja, el cual varía dependiendo de la fase en que se
encuentre el cultivo. En los meses enero/febrero, las parcelas (tablones) con pixeles
identificados poseen respuesta espectral característico de la soya, con matices amarillo a
naranja con una uniformidad a lo largo de las parcelas (Eberhardt, 2015, p. 65).

La mayor reflectancia y valores de índices para el 28 de enero, se podrían afirmar que

corresponde a la fase fenológica con mayor desarrollo vegetativo y vigorosidad, y desde el
punto de vista del calendario agrícola podría ser una siembra relativamente adelantada.
Asimismo señalar que todas las parcelas de los segmentos de las figuras 6, corresponden a las
tres zonas de Okinawa; y según este comportamiento se podría asumir que los productores del
municipio sembraron por las mismas fechas.

71
Por otro lado, las muestras de las parcelas de los segmentos 169 y 209 de la figura 10,
corresponden a la zona de Okinawa 2 y 1, los cuales registraron mayores valores medios de
índices y reflectancia, correspondientes al 13 de febrero, con valores de 0,81 a 0,97 de NDVI
y 0,72 a 0,91 de EVI, en tanto la banda 5 con mayores valores de reflectancia, entre 0,48 a
0,67, la B6 con 0,25 a 0,29 y la B7 con alrededor de 0,12, aspecto que podría atribuirse a una
siembra relativamente atrasada.

Índices Reflectancia

Figura 10. Curvas de índices y reflectancia de parcelas de los segmentos 169 y 209.

Fuente elaboración propia, 2018.

En tanto, las parcelas de los segmentos 17, 87, 129, 189 y 269 de la figura 11, muestran que el
20 de febrero presenta mayores valores de índices y reflectancia, estos valores se encuentran
entre 0,80 a 0,93 de NDVI y 0,70 a 0,94 de EVI; y referente a la reflectancia, la banda 5 con
0,54 a 0,70, la B6 0,21 a 0,27 y la B7 con 0,10. Este comportamiento de patrones de
reflectancia, específicamente de la banda 5, representa a la fase de mayor desarrollo vegetativa
de las plantas, y de acuerdo al calendario agrícola podría corresponder a la siembra atrasada,
también distribuida en toda la zona de estudio.

72
 Índices Reflectancia

Figura 11. Curvas de índices y reflectancia de parcelas (tablones) de los segmentos 17, 87,
129, 189 y 269
Fuente: elaboración propia, 2018.

73
Los resultados de perfiles de índices y reflectancia obtenidos en el presente estudio de modo
general, concuerdan con los valores de reflectancia encontrados en las bandas 5, 6 y 7 por
(Montibeller, 2018); con alrededor de 0,5 a 0,57 de reflectancia en la banda B5 (NIR), en la
banda 6 próximos a 0,24 y 0,12 en la banda 7 (p. 50).

Por otra parte, Crusco (2007), señala que la mayor reflectancia ocurre en el mes de febrero de
mayor vigorosidad, próximos a 0,5 en la banda 4, 0,3 en la banda 5 y 0,13 en la banda 7; en
tanto el NDVI alrededor de 0.81, en las imágenes del satélite Landsat TM (p. 60, 61).
Asimismo, Eberhardt (2015), menciona que la soya presenta para el periodo de mayor
desarrollo vegetativa un NDVI próximos a 0,80 (p. 39).

Conforme a los perfiles espectrales de las figuras 6, 7 y 8, las imágenes del 28 de enero al 20
de febrero presentan los mayores valores de índices (NDVI y EVI) y reflectancias; y de
acuerdo al calendario agrícola y fenología corresponde a la fase de mayor desarrollo
vegetativo de la campaña agrícola 2016/2017. Este aspecto también fue corroborado con la
visita de campo en las parcelas de los segmentos mencionados a mediados del mes de febrero
de 2017, donde se observó la presencia de mayor follaje y vigorosidad de las plantas; sin
embargo, este comportamiento podría variar para cada campaña de verano por las
características del calendario agrícola, el ciclo fenológico, fertilidad del suelo, manejo del
cultivo, etc.

Al respecto, Sanches (2004), señala que este comportamiento espectral del cultivo de soya se
debe a que está en pleno vigor vegetativo y cubre totalmente el suelo con varias capas de hojas
intensamente verdes y planas (planófilos), y absorbe fuertemente en la banda 4 y débilmente
en las bandas principalmente 5 y 3, pero con mayor reflectancia (p. 118).

El mismo autor indica que la respuesta espectral del cultivo en la composición colorida RGB-
564 (sensor OLI) es de matices amarillo a naranja, dependiendo de la fase fenológica del
cultivo. Las parcelas con soya presentan similar coloración, pudiendo ocurrir a partir de enero
y con una duración de un máximo de tres meses.

74
4.3.2 Caña de azúcar.

El análisis y comportamiento espectro-temporal de la caña de azúcar por tratarse de un cultivo

semi-perenne podría realizarse durante más tiempo, debido al ciclo y fenología de desarrollo
más prolongado; por estas características de cultivo, así como del periodo húmedo de la zona,
las imágenes de los meses de noviembre y diciembre de 2016 como de los meses de abril,
mayo junio 2017, presentaron alto porcentaje de nubes, razón por la cual no fue posible
completar el correspondiente análisis espectro-temporal. Sin embargo, por las características
de la fenología del cultivo, los meses de enero, febrero e incluso marzo siguen siendo los
periodos de mayor desarrollo vegetativo, etapa que permitió identificar mejor la caña, a
diferencia de otros cultivos y objetos.

En la figura 12, las parcelas de los segmentos 49 y 189, presentan valores promedios de
reflectancia próximos a 0,40 en la banda B5, en la banda B6 en un rango de 0,22 y 0,11 en la
banda B7, correspondiente al 28 de enero, siendo relativamente los mayores valores medios de
reflectancia; en tanto el NDVI oscila entre 0,68 a 0,80 y el EVI entre 0,5 a 0,6 para las 4
fechas. Sin embargo, estos valores se mantienen con pocos cambios durante las otras fechas
de las escenas, debido a que este cultivo se encuentra aún en la fase de mayor producción de
clorofila porque es una especie de ciclo más largo a diferencia de los cultivos anuales de ciclo
corto (soya, maíz y arroz), donde las hojas de caña comienzan a presentar senescencia a
finales de abril- mayo y a inicios de la cosecha, el cual se realiza en esta zona a principios de
mayo.

Índices Reflectancia

75
Figura 12. Curvas de índices y reflectancia de parcelas (tablones) de los segmentos 49 y 189

Fuente: elaboración propia, 2018.

Al respecto Monttibeller (2018), en el análisis espectral de la caña, obtiene valores promedios

de reflectancia de alrededor de 0,41 en la banda 5, 0,20 en la B6 y próximos a 0,10 en la B7
(p. 51). Estos valores son casi similares a los valores de reflectancia obtenidos en la banda B5,
en cambio en las bandas B6 y B7 con poca variación, este aspecto podría atribuirse a las
variedades utilizadas, edad de las plantas, fertilidad de suelos y la fase fenológica. Asimismo,
cabe señalar que el comportamiento espectral-temporal de la figura 12, muestra patrones
espectrales con pocas diferencias entre el 28 de enero y 20 de febrero de 2017.

En tanto las muestras de las parcelas (tablones) de los segmentos 29, 69, 109 y 229 de la
figura 13, presentan valores medios en los índices, entre 0,63 a 0,81 de NDVI y 0,50 a 0,75 de
EVI, en las 4 fechas. Sin embargo, el EVI resalta mejor entre el 28 de enero a 20 de febrero.
En tanto la reflectancia, mayores valores medios en la banda 5 para todas las fechas, a
excepción del 20 de febrero con valores relativamente superiores. Asimismo, la banda B6
muestra reflectancias de alrededor de 0,20 y la B7 próximos a 0,10. Este comportamiento de
patrones de reflectancias, específicamente de la banda 5, podría atribuirse a la edad de las
plantas, fertilidad de los suelos e incluso a la variedad, en tanto las bandas 6 y 7 tienen similar
comportamiento de reflectancia encontrados por Montibeller (2018). Asimismo, señalar que
esta etapa de análisis corresponde al mayor desarrollo vegetativo de las plantas, mismas
podrían prolongarse con leve cambio hasta abril. Y de acuerdo a los segmentos de la figura
13, en las tres zonas del municipio presentan parecido comportamiento, el cual confirma las
características del cultivo semi-perene.

76
 Índices Reflectancia

Figura 13. Curvas de índices y reflectancias de parcelas (tablones) de los segmentos 29, 69,
109 y 229

Fuente: elaboración propia, 2018.

Por otro lado, Aguiar (2007), señala que, para el periodo de mayor desarrollo vegetativo, el
NDVI es próximos a 0,80 (p. 56). En tanto Picoli (2007), el NDVI también para el periodo de
mayor desarrollo vegetativo es alrededor de 0,82 (p. 67). Para Crusco (2007), la caña de año
podría reflejar valores menores de NDVI cerca de 0,60, en relación del segundo año próximo
a 0,78 de NDVI (p. 59).
77
Al respecto Abdel y Rahman (2008), mencionan que el comportamiento espectral para el
cultivo de caña de azúcar depende de cuatro factores: arquitectura del dosel, química foliar,
presencia de pigmentos de las hojas; como la clorofila, carotenos, xantofilas y antocianinas,
así como deficiencias de nitrógeno, humedad y otros nutrientes foliares; aspectos que puede
afectar directamente por absorción o indirectamente por la influencia en los procesos
fisiológicos y el desarrollo vegetativo de las plantas; parámetros agronómicos como el área
foliar, geometría de la adquisición de datos y las condiciones atmosféricas; pero su estructura
geométrica es el factor más importante que afecta las propiedades ópticas del dosel de caña (p.
3754).

Rudorff y Batista (1985), señalan que en el análisis de datos espectrales del sensor MSS a
bordo del Landsat 4 en cinco fechas diferentes, concluyen que la mejor época para la
adquisición de las imágenes con la finalidad de relacionar la respuesta espectral y el peso del
tallo de la caña, se encuentra en el mes de febrero. Esto ocurre porque la biomasa
fotosintéticamente activa se encuentra bien desarrollada en esta época y tiene una fuerte
relación con la cantidad de tallos existentes (p.12).

Foschiera (2015), menciona que el crecimiento vegetativo más intenso ocurre durante la
estación lluviosa, y por esa razón, la demanda de agua, radiación y temperatura es alta. A
partir de abril ocurre la acumulación de sacarosa en los tallos, que es marcado por el
crecimiento vegetativo (p. 11).

Rudorff y Sugawara (2007), señalan que el periodo de crecimiento vegetativo más intenso
ocurre entre los meses de octubre a marzo, cuando el cultivo tiene alta demanda de agua,
radiación y temperatura. Asimismo mencionan que por las características del cultivo, es
necesario contar con 2 imágenes; una entre los meses de enero y febrero, y otra entre los
meses de marzo y abril. La imagen del periodo 1, permite identificar bien las áreas de caña
plantada del año anterior. En tanto las imágenes del periodo 2, tiene como finalidad confirmar
la presencia de este cultivo (p. 80).

78
Con lo mencionado por los investigadores párrafos arriba, y los valores analizados en las
figuras 12 y 13, la reflectancia de la banda 5, presenta valores medios coincidentes cercanos a
0,4; y por las características agronómicas como fenológicas de la caña de azúcar, los meses de
enero y febrero expresa el mayor desarrollo vegetativo de los doseles de las plantas.

4.3.3 Arroz

Considerando las características del calendario agrícola y las fases fenológicas, los meses de
enero y febrero constituyen el periodo de mayor desarrollo vegetativo para la campaña
agrícola 2016/2017. Y de acuerdo al análisis del comportamiento espectro-temporal de este
cultivo, los valores de índices y reflectancia, corresponden a las parcelas de los 15 segmentos
considerados, y de los meses de enero, febrero y primera quincena de marzo. En tanto para los
meses de noviembre y diciembre de 2016 (fase emergencia), así como de la segunda quincena
de marzo y abril de 2017 (fase de maduración y cosecha) no se completaron el ciclo de los
perfiles espectrales por el alto porcentaje de nubes en las imágenes.

La figura 14, presenta los valores medios de índices de vegetación como reflectancia, donde
las imágenes del 28 de enero al 20 de febrero, presentaron los mayores valores de NDVI, entre
0,71 a 0,81, y el EVI de 0,44 a 0,60; en tanto los valores medios de reflectancia, entre 0,28 a
0,41 en la banda B5, de 0,17 en la banda B6, y la banda B7 alrededor de 0,07. Sin embargo,
las imágenes del 19 de enero y del 17 de marzo, presentaron valores menores de índices como
de reflectancia, en relación de las imágenes del 28 de enero al 20 febrero.

Índices Reflectancia

79
Figura 14. Curvas de índices y reflectancia de la parcela 109, 129, 229.

Fuente: elaboración propia, 2018.

Al respecto, Bariani et al., (2017), señalan en el análisis de curvas temporales de NDVI del
arroz irrigado en imágenes Landsat 8, los siguientes valores; desde la siembra hasta la
emergencia de las plántulas con valores más bajos, entre 0,19 a 0,30; en tanto a partir de la
fase V4 cuando las plantas presentan 4 hojas, los valores quedaron por encima de 0,30 (0,31 a
0,41); ya en la fase reproductivo (R1) con valores entre 0,73 a 0,78; en la fase R2 valores de
80
0,81 a 0,84; y en la fase R4 registraron valores máximos de NDVI entre 0,83 a 0,85; a partir
de la fase R8 con tendencia a disminuir y en la fase R9 ocurre la maduración completa del
arroz con valores de NDVI entre 0,29 a 0,42 (p. 5).

Mengue et al., (2015), mencionan que los valores de NDVI del arroz irrigado, se encuentran
próximos a 0,78 para los periodos de mayor desarrollo vegetativo (p. 1903).

Por otro parte, D’ Arco (2008), señala para el periodo de máximo desarrollo vegetativo (mes
de enero) en arroz irrigado, de alrededor de 0,52 de reflectancia (Landsat TM) en la banda 5
(IRM), de 0,44 en la banda 4 (IRP) y en la banda 3 (VIS) alrededor de 0,18 (p. 116).

Marques (2009), indica en el análisis espectro-temporal del arroz irrigado, en la región del
espectro-electromagnético de 0,88 µm en imágenes MODIS para la segunda quincena de
diciembre, alrededor de 0,40 de reflectancia, en tanto para la primera quincena de enero de
0,49, la segunda quincena de enero 0,5, para la primera quincena de febrero 0.5, segunda
quincena de febrero 0.6, primera quincena de marzo 0.59, y la segunda quincena de marzo de
0,45. Siendo la máxima expresión, la segunda quincena de febrero (p. 38-40).

Este comportamiento de diferencias de valores de índices y reflectancias, podrían atribuirse a

la influencia del agua, principalmente en la banda 4 de la región del visible, en tanto con poca
influencia en la banda 5 de mayor reflectancia que la banda 4, fundamentalmente en la
vegetación.

A diferencia de la mayoría de los cultivos agrícolas, el arroz irrigado es producido bajo

regímenes de inundación, por tanto, el agua afecta significativamente a la respuesta espectral
del arroz. Además, por ser una lámina relativamente fina de agua (0,08 a 0,15 m), los
sedimentos en suspensión y el suelo tienen una influencia importante en la respuesta espectral
de arroz (Martin Jr. R. D., y J. L. Heilman, 1986, p. 1887).

El mismo autor señala que las áreas de arroz irrigado son caracterizadas por un periodo de
inundación, durante el cual la cobertura de las hojas existentes es abierta (mezcla de

81
superficies con agua y el cultivo de arroz). Entre tanto, por el desarrollo vegetativo de arroz,
esta lámina es totalmente cubierta por el dosel del cultivo, minimizando así los efectos de
agua y de suelo.

En consecuencia, D’ Arco (2008), suponía que la influencia de la lámina de agua fuese

máxima durante los meses de noviembre y diciembre, sin embargo, con el crecimiento de
arroz disminuyó este aspecto, facilitando la discriminación de las áreas de cultivo de arroz de
las demás áreas. Entretanto, analizando los NDs de este periodo, observó que el agua no fue
tan influente como se esperaba, pues a poca profundidad de la lámina de agua fue la influencia
de respuesta espectral de suelo y de los sedimentos en suspensión en áreas de arroz irrigado,
los cuales contribuirán para elevar los valores de los NDs, enmascarando de esta forma la
respuesta del agua (p. 116).

En tanto, en los meses de febrero y marzo, periodo correspondiente a la fase reproductiva y

maduración, observó la influencia de la vegetación en la respuesta espectral. Ya en el mes de
abril, periodo de cosecha, nuevamente percibió la influencia de suelo. (p. 117).

Según Casanova et al., (1998), señalan que la reflectancia en el infrarrojo varía de acuerdo con
la biomasa, aumentando de un mínimo de 15% en el estado inicial de desarrollo, hasta un
máximo de 50% en la fase de espigamiento. Después de ese periodo, reduce la reflectancia,
debido a la disminución de la biomasa y la perdida de hojas para un valor final de
aproximadamente 33% (p. 84, 86).

Por las características de la morfología de las gramíneas, y respecto a la transmisibilidad

media, es mayor para plantas con hojas erectas que para plantas con hojas en disposición
horizontal. El arroz es una gramínea que presenta una disposición de hojas erectas y una
panícula expuesta, diferente de la soya que es una leguminosa y expone una disposición foliar
horizontal. En relación a estas diferencias de arquitectura de hojas y de interacción con la
Radiación Electromagnética (REM) con estos objetos, la respuesta espectral de arroz, en la
composición colorida 453 (Imágenes Landsat TM), presenta un aspecto rojo oscuro, y la soya
con una tonalidad naranja.

82
Pocos trabajos se encuentran disponibles en la literatura sobre el comportamiento espectral del
cultivo de arroz irrigado, principalmente en la zona de estudio y en el país.

4.3.4 Maíz.

El análisis espectro-temporal del cultivo de maíz, consistió en la misma secuencia de los

anteriores cultivos mencionados; con la extracción de información de los valores digitales
medios de las bandas 2 al 7 del sensor OLI, correspondientes a las parcelas (tablones) de los
15 segmentos levantados en campo. Y de acuerdo a la composición colorida de RGB-564, el
maíz presentó tonalidades rojizo, naranja a marrón. Este comportamiento de tonalidades y de
respuesta espectral, permaneció durante 2 meses aproximadamente, el cual caracteriza la etapa
de mayor desarrollo vegetativo (enero y febrero). En tanto para los meses de noviembre y
diciembre de 2016 y parte de marzo y abril de 2017, propias de la fase de emergencia como
maduración, no se realizó este análisis por el elevado porcentaje de nubes en las imágenes.
Sin embargo, en la fase de emergencia y maduración, las tonalidades como las respuestas
espectrales son influenciadas por el suelo y vegetación en senecencia.

Al respecto, Gürtler (2003), señala que durante el desarrollo vegetativo, el maíz presenta un
color rojizo a naranja, misma que puede ser confundido con la caña, sin embrago el maíz no
presenta corredores y permanece poco tiempo en campo, cerca de cuatro meses (p. 116).

La figura 15, presenta las curvas de reflectancia correspondientes a los segmentos 189 y 249,
donde el 28 de enero, mostró como el periodo con mayores valores medios de índices de
vegetación y reflectancia, a diferencia de las otras fechas; donde la banda 5 (NIR), presentó
valores de reflectancias entre 0,45 a 0,51 (promedio alrededor de 0.48), la banda 6 cercanos a
0,20 y alrededor de 0.098 la banda 7. En cuanto a los índices; el NDVI entre 0,78 a 0,89 y el
EVI entre 0,64 a 0,80. En ese sentido, de acuerdo al calendario agrícola y fenología del
cultivo, las parcelas de los segmentos mencionados podrían corresponder a la siembra normal.
Por otro lado, es importante mencionar que las características de los cultivos de ciclo corto,
entre ellos el maíz, por lo general permanecen alrededor de 130 días (aproximadamente 4
meses) en terreno; y en el caso de la zona de estudio, se caracteriza con variedades de ciclo

83
corto a medio, fundamentalmente para la campaña de verano con superficie menores en
relación a otros cultivos.

Índices Reflectancia

Figura 15. Curvas de índices y reflectancia de la parcela (tablón) 189 y 249

Fuente: elaboración propia, 2018.

Montibeller (2018), señala que en el periodo de mayor desarrollo vegetativo ocurre a los 65 a
80 días; donde la banda 5 (NIR) presenta valores de reflectancia entre 0,32 a 0,50, en la banda
6 próximos a 0,22, para la banda 7 alrededor de 0,11; en tanto el NDVI entre 0,73 a 0,89 y el
EVI cerca de 0,65 (p. 49).

84
En tanto, Langa y De la Riva (2015), mencionan que el maíz presenta valores máximos de
alrededor de 0,39 de reflectancia en la banda 5, en la banda 6 próximos a 0,17 y en la banda 7
de 0,08, estos valores corresponden a la fase de mayor desarrollo vegetativo (p. 675).

Eberhardt (2015), indica que el periodo de mayor desarrollo vegetativa del maíz, presenta
valores de NDVI próximos a 0,70 (p. 39).

Los resultados de los valores de índices y reflectancias obtenidos, específicamente en las

bandas 5, 6 y 7, concuerdan con los encontrados por los autores mencionados párrafos arriba.
Del total de 15 segmentos visitados en campo, en 4 se encontraron las parcelas de maíz. Esta
característica coincide con lo mencionado por ANAPO (2017), una menor superficie
sembrada de maíz para la campaña de verano 2016/2017. Y tomando en cuenta el calendario
agrícola y la fase fenológica, también las imágenes del 28 de enero a 20 de febrero,
corresponden al periodo de mayor desarrollo vegetativo, y en consecuencia registro de
mayores valores de reflectancias e índices de vegetación.

Los segmentos 189 y 249 del 28 de enero, corresponde a la zona norte y centro de Okinawa, el
cual se podría asumir que pertenece a una siembra normal. Estos segmentos mostraron
mayores valores de reflectancia, cuya característica corresponde a la fase de mayor desarrollo
vegetativo.

Considerando el comportamiento espectro-temporal de los cultivos de soya, caña de azúcar,

arroz y maíz descrito párrafos arriba, y con el propósito de contar con patrones de perfiles
espectrales de cada uno de los cultivos, fundamentalmente para el periodo de mayor desarrollo
vegetativo, fueron esenciales los datos del calendario agrícola, fenología de cultivos y datos de
trabajo de campo. Cuyo análisis de las características agronómicas, morfológicas y espaciales,
como: la expresión de follaje (índice de área foliar), tipo de cultivos anuales, semi-perennes y
perennes, tipo de hoja, pigmentos (clorofila, carotenos, xantofilas), edad de plantas,
variedades, expresiones de tonalidades, formas de parcelas, y los valores de reflectancias,
complementaron mejor en la definición de los cultivos, en relación de otros objetos para la
campaña agrícola de verano 2016/2017.

85
En ese sentido, la figura 16, resume los valores medios de reflectancias por banda, así como
los índices de vegetación de las imágenes del 28 de enero al 20 de febrero correspondientes a
las parcelas levantadas de los cultivos de soya, caña de azúcar, arroz y maíz en los 15
segmentos definidos. Se observa que, de los 4 cultivos, las mayores diferencias presentaron en
las bandas B5, B6 y B7 (NIR, SWIR 1 y SWIR 2). Sin embargo, la soya (dosel planófilo)
presentó los mayores valores en estas bandas, con relación al maíz, caña de azúcar y arroz
(doseles erectófilos), y comparando el maíz con la caña, se evidencia que el maíz presentó
valores parecidos en las bandas B6 y B7 y mayores en la banda B5. Estas observaciones
fueron descritas con mayor detalle en los perfiles espectrales presentados en la sección 4.3 de
análisis espectro-temporal de cada cultivo.

Figura 16. Valores medios de reflectancia e índices de vegetación de los cultivos por bandas
en las imágenes del sensor OLI (28 de enero, 13 y 20 de febrero).

Fuente: elaboración propia, 2019.

De modo general, la banda 5 presentó los mayores valores de reflectancia en los 4 cultivos, en
relación a las bandas 6 y 7; donde las parcelas de soya, registró valores próximos a 0,48; en
tanto las parcelas de caña de azúcar cercanos a 0,39; en el caso de maíz, alrededor de 0,43 de
reflectancia también en la banda 5; y finalmente en el arroz inundado con valores cercanos a
0,31. Estos resultados coinciden con los encontrados en los perfiles de reflectancia de soya

86
alrededor a 0,48 a 0,57 (promedio de 0,51), caña 0,3 a 0,42 (promedio de 0,38) y maíz entre
0,3 a 0,48 (promedio de 0,42) por Montibeller, (2018, p.49 -51).

El mismo autor, afirma que en los cultivos de soya, maíz y caña, las mayores diferencias de
reflectancia están presentes en las bandas B5, B6 y B7. Donde la soya (dosel planófilo)
presenta mayores valores en estas bandas, tanto en índices como reflectancia cuando se
compara el maíz y la caña (doseles erectofilos), y entre estos dos cultivos, se verifica que el
maíz presenta valores menores en las bandas B6 y B7 y mayores en la banda B5.

La media de los niveles digitales de los pixeles de una parcela por banda, tiene mayor
significado como variable descriptora de la parcela, por la homogeneidad de la respuesta
espectral de la superficie. Por otra parte, en parcelas heterogéneas espectralmente, el valor
medio no corresponde a un solo objeto, si no a un promedio de los valores de reflectancia de
elementos diversos, como suelo, vegetación, etc.

Los perfiles espectro-temporales de las figuras 16, corresponden al periodo de mayor

desarrollo vegetativo de los cultivos mencionados, en este caso, para los meses de enero a
mediados de febrero 2017. Sin embargo, para noviembre y diciembre de 2016 por el alto
porcentaje de nubes en las imágenes, así como parte del mes de marzo, abril, mayo 2017 e
incluso junio, no se consideraron para el mencionado el análisis espectro-temporal.

En ambientes agrícolas, las respuestas espectrales en los estados iniciales de crecimiento y en

las etapas finales del cultivo, muestran una mezcla compleja entre el suelo y la vegetación que
varían de acuerdo con la localización de las áreas de cultivo, por lo que el conocimiento de
respuestas espectrales in situ es útil para caracterizar las condiciones de las parcelas en
producción (Senay et al., 2000).

Sin embargo, persiste una falta de entendimiento del comportamiento espectral de la

reflectividad del follaje de los cultivos, el cual obedece a principios biofísicos y bioquímicos
(Paz-Pellat et al., 2005).

87
4.4 Estimación de áreas de cultivo de soya, caña de azúcar, arroz y maíz a través de la
clasificación de imágenes basada en objetos.

La estimación de las áreas de producción de soya, caña de azúcar, arroz y maíz, fue realizada
a través de la clasificación de las imágenes basada en objetos. Los resultados de este acápite
consistieron en la segementación de las imágenes, clasificación con la estimación de las áreas
de cultivo, así como la evaluación de consistencia, el cual se presenta a continuación.

4.4.1 Segmentación.

Con base a la metodología descrita en el ítem correspondiente, y considerando

específicamente las recomendaciones de varios investigadores en la aplicación de pesos en las
variables y parámetros de segmentación, se utilizaron 2 segmentadores; multirresolucion
(Multiresolution Segmentation) y diferencia espectral (Spectral Differnce) implementados en
el software eCognitión. Este proceso fue efectuado en las bandas 2 al 7 de la imagen de
referencia correspondiente al 28 de enero de 2017 en la composición RGB-564 (PAT/ROW
230/072).

Los parámetros utilizados en segmentation settings (multirresolución) con peso de 1 en las

bandas 2 a 4, y 2 en las bandas 5, 6 y 7, fue por la alta reflectancia de los objetos; en el caso de
escala, un peso de 45, en tanto en Shape (forma) de 0.3 y compactnes/suavidad de 0.8, los
cuales permitieron segmentar a mayor detalle los objetos con características similares en la
media de los valores espectrales de las bandas con la agrupación de los pixeles más
homogéneos y vecinos, correspondientes a los segmentos de las parcelas (tablones), así como
de otros objetos (bosque, suelo descubierto, etc.). Como resultado de este proceso, se lograron
15921 segmentos correspondientes a todos los objetos del área de estudio. La figura 17,
muestra los segmentos realizados con el algoritmo multirresolución.

88
Figura 17. Segmentación por el algoritmo multirresolución.
Fuente: elaboración propia, 2018.

Al respecto, Baatz y Schape (2000), mencionan que el algoritmo de crecimiento por regiones,
en el cual los objetos de la imagen o regiones, son mezclados en objetos mayores a partir de
un criterio de homogeneidad (principio básico de la segmentación multi-resolucion). Este
criterio puede ser ajustado por la selección de parámetros y pesos, como la escala, las bandas
espectrales, factor de color y factor de compacidad (p. 3-4).

Vicente (2016), señala que la segmentación multi-resolución de eCognition, consigue los

mejores resultados generales en comparación con otros softwares de procesamiento de
imágenes (p. 19).

Con el propósito de mejorar los resultados de la primera segmentación, se aplicó el algoritmo

diferencia espectral; con parámetros y pesos en segmentation settings con máxima diferencia
espectral de 120, peso 1 en las bandas 2 a 4 y 2 en las banda 5, 6 y 7; y como resultado, se
logró afinar de 15921 a 12047 polígonos con características similares o áreas con pixeles
homogéneos de menor cantidad, individualizando y mejorando la agrupación de pixeles de
segmentos de áreas pequeñas, así como de áreas grandes, optimizando en términos de tiempo,
agilidad y procesamiento. La figura 18, detalla los polígonos de la segmentación
multirresolución y diferencia espectral.

89
 a) b)
Figura 18. Segmentaciones; a) multirresolución y b) diferencia espectral

Fuente: elaboración propia, 2018.

Por las características de los segmentos de objetos identificados, en aspectos como: tamaño,
color, forma y homogeneidad, la segunda segmentación permitió ajustar mejor los segmentos
en relación al primero. Los resultados de ambas segmentaciones, podrían atribuirse al rango
de pesos aplicados en la escala y en las bandas de las imágenes descritas párrafos arriba, los
cuales fueron determinantes en la formación de segmentos. La tabla 13, resume los objetos
creados por las dos segmentaciones.

Tabla 13. Número de segmentos creados por nivel de segmentación.

Nivel Algoritmos de Número de

segmentación segmentos
1 Multirresolución 15921
2 Diferencia espectral 12047
Fuente: elaboración propia, 2018.

Analizada los segmentos obtenidos por el algoritmo diferencia espectral, fue necesario realizar
algunos ajustes de edición vectorial, principalmente situados en los límites entre tablones con
senderos, tablones con otras áreas pequeñas, en los cuales, el algoritmo agrupó objetos
distintos. La etapa de edición vectorial de los polígonos es fundamental, donde los valores

90
promedios de polígonos utilizados en el análisis temporal, deben reflejar el comportamiento
de apenas un objeto, no siendo deseable que haya mezcla de diferentes objetos dentro de un
mismo polígono.

Por otro lado, Recio (2009), señala que una adecuada segmentación permitirá una alta calidad
de clasificación de las imágenes, por lo que una apropiada selección de parámetros para
segmentar dará una buena representación de los objetos de la realidad. El resultado de la
segmentación de una imagen es un conjunto de regiones que cubren completamente la imagen
(p. 52).

4.4.2 Clasificación de la imagen y estimación de superficies de cultivos y otros objetos.

Con los resultados del análisis e interpretación de los objetos (áreas de cultivos de soya, caña
de azúcar, arroz, maíz, bosque, pastizal, suelo descubierto, barbecho-rastrojo, cuerpos de agua
y áreas urbanas) en las imágenes, información georeferenciada levantada en campo, análisis
espectro-temporal, análisis complementario del calendario agrícola, fenología de los cultivos
durante el desarrollo vegetativa de la campaña de verano 2016/2017, y los resultados de la
segmentación por diferencia espectral, se realizó la clasificación de las imágenes basada en
objetos, en la composición colorida RGB-564 de las imágenes de referencia.

Los objetos mencionados, fueron asignados al interfaz Class Hierarchy; posterior toma de 211
muestras correspondientes a las parcelas (tablones) de cultivos y otros objetos distribuidos en
los 15 segmentos definidos y levantadas en campo, con complementación de otras muestras de
segmentos similares para cada objeto, con el propósito de incrementar los segmentos con
valores espectrales similares. Esta técnica utilizada es similar al entrenamiento realizado en la
clasificación supervisada, con la diferencia que no se seleccionó pixeles si no polígonos de la
segmentación de la imagen, reduciendo de esta manera el número de objetos a clasificar, así
como la disminución del tiempo de procesado, entre otras.

91
Finalmente se logró clasificar las imágenes, estimando las superficies de los diferentes objetos
correspondientes al uso de suelo y a los 4 cultivos principales de la zona. La figura 19,
muestra la distribución espacial del uso de suelo, y la figura 20 a los 4 principales cultivos
identificados; en tanto la tabla 14 resume las hectáreas estimadas.

92
 Figura 19. Estimación de áreas de uso de suelo
Fuente elaboración propia, 2018.

93
 Figura 20. Estimación de áreas sembradas de los 4 principales cultivos
Fuente: elaboración propia, 2018.

94
Tabla 14. Superficie estimada de cultivos y otros objetos, a través de las imágenes del sensor
OLI.

Objetos identificados Sup. (ha) %

Soya 26071 25,0
Caña de azúcar 6996 6,7
Arroz 5565 5,3
Maíz 1303 1,3
Bosque 15118 14,5
Pastizales 33491 32,1
Barbecho (rastrojo) 9350 9,0
Suelo descubierto 3552 3,4
Cuerpos de agua 2227 2,1
Área urbana 376 0,4
Otras áreas (cultivos) 181 0,2
Total sup. 104230,00 100,0

Fuente: elaboración propia, 2018.

De acuerdo a la tabla precedente, la suma de las áreas de uso con cultivos, presentan la mayor
superficie, con 39.935 ha, seguido por pastizales con 33.491 ha, bosque 15.118 ha, barbecho
con 9.350 ha, y entre suelo descubierto, cuerpos de agua, área urbana y otras áreas con 6.336
ha, describiendo de esta manera la totalidad de la estimación de áreas de uso en el presente
estudio.

En el caso específico de la estimación de los cultivos de soya, caña de azúcar, arroz y maíz
considerados como los principales cultivos de la campaña agrícola de verano 2016/2017. La
figura 20, muestra la relación porcentual de las superficies estimadas de los 4 cultivos de
acuerdo al área total del municipio (alrededor de 104.239 ha).

95
 Otros objetos (Bosque, pastizales, barbecho, suelo descubierto, cuerpos de agua, área urbana).

Figura 21. Relación porcentual de las áreas estimadas de los cultivos de soya, caña de azúcar,
arroz y maíz con el área total.

Fuente: elaboración propia, 2018.

De acuerdo al detalle de la tabla 14 y figura 21, el 38,3 % corresponden a las áreas de

producción de los 4 cultivos (39935 ha), donde la soya representa la mayor superficie
estimada con 26071 ha, el cual ocupa el 25,0 % de la superficie total, seguido por la caña de
azúcar con 6996 ha que corresponde a 6,7 %, el arroz con 5565 ha que es el 5,3 %, y
finalmente el maíz con 1303 ha que es el 1,3 % de la superficie total. Estas superficies
estimadas son específicamente para la campaña agrícola 2016/2017; y por lo general estos
valores varían en cada campaña, debido fundamentalmente por la demanda de los productos,
así como por la incidencia de los efectos adversos climáticos principalmente la sequía presente
previo y después de la siembra.

Al respecto, Marujo (2013), señala que la metodología de la clasificación basada en objetos en

áreas cafetaleras presentó mayor exactitud que la clasificación automática pixel por pixel (p.
28).

Luz et al., (2010), Vieira et al., (2012) y Silva Junior et al., (2014), citado por Marujo (2013),
señalan que la clasificación basada en objetos es bastante utilizada para identificar cultivos (p.
25).

96
Actualmente, Okinawa es considerado como uno de los municipios potenciales en la
producción de soya, arroz, trigo, caña, girasol y otros cultivos de importancia agroindustrial y
de seguridad alimentaria; tanto en la campaña agrícola de verano como invierno, el cual
caracteriza como una de las zonas con mayor producción agrícola permanente.

Según el Censo nacional Agropecuario de 2013, ANAPO, CAICO, MDRyT, los rendimientos
de los cultivos de la zona, oscilan según el detalle de la tabla 15. Este comportamiento puede
variar según la campaña, el manejo de suelos, y sobre todo de la presencia de los efectos
adversos agroclimáticos, como la sequía, inundaciones, plagas y enfermedades. En relación a
los rendimientos de otros municipios, Okinawa normalmente presenta los mejores
rendimientos en el arroz y trigo, sin embrago en la soya, maíz, caña también se encuentra
próximos a los mejores del resto de los municipios del norte integrado y de expansión.

Tabla 15. Comparación de rendimientos estimados por instituciones sectoriales.

Rendimientos (t/ha)
Cultivos
ANAPO CAICO MDRyT, 2016/2017
CNA/2013
2015/2016 2016/2017 Dpto. Santa Cruz
Soya 2,26 2,5 2,0 a 2,5 2,31
Caña de azúcar 53,90 - - 52,17
Arroz 2,79 - 4,0 a 5,0 2,89
Maíz 4,17 2,3 1,7 2,30

Fuente: elaboración con base a los datos de instituciones sectoriales señalados, 2019.

Para FENCA y CAISY-CONARROZ (2013), el rendimiento de arroz bajo inundación en otras

áreas del norte integrado de Santa Cruz, esta entre 5,3 a 6,0 t/ha, en tanto para el sistema a
secano oscila alrededor de 1,72 t/ha (p. 3).

En relación a la producción pecuaria, la zona presenta áreas de pastizales para la crianza de

ganado bobino principalmente de la raza criolla y Nellore, orientado a la producción de carne
y leche. Varios testimonios de técnicos y productores sobre la crianza de ganado mayor,
menor y aves de traspatio son considerados actividades complementarias en la economía de

97
los productores. Estas afirmaciones coinciden con lo observado durante el recorrido en el
trabajo de campo, con la existencia reducida de la población de ganado bobino y la tenencia
de aves de traspatio en la mayoría de las familias de la zona.

Referente a la cobertura de bosques, la zona se caracteriza por bosques de galerías ubicadas en

las proximidades de los ríos y riachuelos, y con áreas poco extensas de bosque primario en las
cercanías al Rio Grande. En el caso de las áreas con pastizales se observó parcelas con pastos
introducidos, así como con especies de rebrote destinadas en su mayoría al pastoreo de la
ganadería existente. En cuanto a las áreas de barbecho o rastrojos, áreas de suelo descubierto
o en preparación, son las que destinarían para la siembra de cultivos de invierno en su mayoría
y otras para el descanso y recuperación de suelos. Finalmente, la presencia de cuerpos de
agua, expresados en riachuelos y el Rio Grande, los cuales suministran agua a los reservorios
artificiales destinados principalmente para la producción de arroz bajo riego por inundación.

Sin embargo, el conocimiento de espacios ocupados por pastizales y barbecho (rastrojo),

ameritan estudios específicos y diferenciados, debidos a las variadas características que
presenta en cuanto al manejo y uso de pasturas, así como de las áreas de los rastrojos.

4.4.3 Evaluación de la clasificación (Análisis de matriz de confusión).

Con el propósito de ver la consistencia de la clasificación de imágenes, se realizó el análisis de

la matriz de confusión, uno de los métodos más utilizados en el procesamiento de imágenes de
satélite; esta matriz fue generada entre el resultado de los pixeles de referencia de las parcelas
y los pixeles de los polígonos clasificados, a través de la aplicación Confusion Matrix Using
del software ENVI, el cual se presenta en la tabla 16.

98
 Tabla 16. Matriz de confusión par la validación temática.
Caña de Suelo Zona Exactitúd Error
Objetos Agua Arroz Barbecho Bosque Maiz Pastizal Soya Total
azúcar desc. urbana del mapa comisión
Agua 29 3 0 0 0 0 0 0 1 0 33 87,9 12,1
Arroz 50 321 36 0 0 0 0 1 4 0 412 77,9 22,1
Barbecho 0 0 353 0 7 0 0 1 86 0 447 79,0 21,0
Bosque 0 14 3 293 9 0 11 0 9 7 346 84,7 15,3
Caña de
0 0 1 0 764 0 24 0 0 0 789 96,8 3,2
azúcar
Maiz 0 4 0 0 0 53 36 0 0 0 93 57,0 43,0
Pastizal 3 3 228 7 46 2 818 52 12 18 1189 68,8 31,2
Soya 0 0 7 1 10 1 0 953 1 0 973 97,9 2,1
Suelo
0 3 46 0 0 0 15 0 160 2 226 70,8 29,2
descubierto
Zona urbana 0 0 0 0 0 0 0 0 0 36 36 100 0,0
Total 82 348 674 301 836 56 904 1007 273 63 4544

Exactitúd de Overall
35,4 92,2 52,4 97,3 91,4 94,6 90,5 94,6 58,6 57,1 83,19%
campo (%) Accuracy
Error de Kappa
64,6 7,8 47,6 2,7 8,6 5,4 9,5 5,4 41,4 42,9 0,79
omisión coefficient

Fuente: elaboración propia, 2019.

De acuerdo a la tabla 16, de manera general, el proceso de clasificación de la imagen basada

en objetos, resultó con un Overall Accuracy de 83,19 % y un Kappa coefficient de 0,79. Índice
que muestra una precisión considerable de acuerdo a la similitud de la clasificación de la
imagen satelital con los datos de campo.

Mendoza et al., (2017), señala que en la validación temática del análisis multi-temporal de
deforestación, usando clasificación basada en objetos, obtuvo una exactitud global de 85,2 %
y un índice de kappa de 0,76, que indica una considerable precisión en la clasificación (p. 67).

Respecto a la clasificación de la soya y caña de azúcar, se observó una baja confusión entre
estos objetos, 98 y 97 % de exactitud. Esta característica, también se observó en el análisis
visual como en el comportamiento de la reflectancia; además ambos cultivos corresponden a
diferentes familias (leguninosa y gramínea), donde la estructura morfológica de las hojas de la
soya presenta una disposición planófilas y erectófilas en la caña.

99
En tanto el arroz presentó una exactitud de 78 %, una confusión con cuerpos de agua y
barbecho; en el caso del agua, una influencia por tratarse de un cultivo bajo condiciones de
inundación en las parcelas de producción. Sin embargo, en el maíz, presentó una mayor
confusión con pastizales y arroz, ambas gramíneas con hojas erectófilas,

En tanto los pastizales, barbecho y suelo descubierto fueron los objetos que presentaron una
mayor confusión, con errores de comisión y omisión significativos. Esta característica también se
observó en el análisis e interpretación de las imágenes, con tonalidades similares en varias áreas
de los segmentos definidos, los cuales dificultaron la separación adecuada entre estos objetos. Por
estos aspectos y otros, se sugiere realizar estudios específicos.

Asimismo, se observa en la tabla 16, una cierta confusión entre la caña de azúcar y pastizal,
aspecto que podría existir cierta coincidencia en las características morfológicas de los doseles
de las plantas, ambas pertenecen a la familia de gramíneas. Sin embrago existe una diferencia
marcada en el sistema de producción de ambos objetos, en el caso del pastizal con manejo y
sin manejo con ciclos variados, pero de menor vigorosidad, en cambio la caña presenta
corredores bien establecidas en las parcelas y de mayor vigorosidad y de ciclo largo (semi-
perenne).

En ese sentido, la metodología aplicada en la estimación de las áreas de producción agrícola,

mediante las imágenes del sensor OLI del Landsat 8 con resolución espacial de 30 m, mostró
una precisión satisfactoria para el tamaño de las parcelas cultivadas en la zona de estudio, muy
próximas a la realidad. Siendo los resultados obtenidos a través de este método, puedan ser
considerados como datos de referencia para la campaña agrícola 2016/2017.

4.5 Análisis comparativo de las estimaciones obtenidas con las oficiales.

4.5.1 Análisis de información del Censo Nacional Agropecuario del INE/MDRyT.

El INE y el MDRyT, son las instancias encargadas de levantar, analizar y divulgar

información estadística del sector agropecuario oficial a nivel nacional de manera permanente;

100
información que es fundamental para los tomadores de decisión en la gestión de regulación de
productos básicos y agroindustriales en el mercado interno, exportación, así como para la
importación. En ese entendido, el INE realizó el Censo Nacional Agropecuario en los 339
municipios del país el 2012, levantando un conjunto de datos, entre ellos la superficie,
rendimiento y producción, siendo publicadas el 2013. Actualmente, el INE como el MDRyT,
levantan información de la estadística agropecuaria a través de entrevistas, encuestas y censos,
posterior divulgación por sitios web, boletines, anuarios, entre otros canales a detalle
departamental, nacional (por campaña agrícola), y no así municipal; siendo así una de las
limitantes de las mencionadas instituciones en la generación de información detallada,
aspectos que dificultan contar con estos datos actualizados para las autoridades, productores y
académicos.

La tabla 17, muestra las superficies sembradas, rendimientos y la producción de los cultivos
de soya, maíz, arroz y caña de azúcar correspondiente al CNA/INE, el cual se consideró como
información referencial oficial municipal para fines de análisis y discusión de la presente
investigación.

Tabla 17. Superficie, rendimiento y producción estimada de los cultivos de soya, caña de
azúcar, arroz y maíz CNA/INE, 2013.

Superficie Rendimiento Producción

Cultivos
(ha) (t/ha) (t)
Soya 35300,22 2,26 79866,84
Caña de azúcar 6471,94 53,91 348900,37
Arroz 5619,6 2,79 15680,25
Maíz 1935,04 4,17 8078,81

Fuente: elaboración propia, con base a la información del CNA, 2013.

De acuerdo a la tabla precedente, la soya es el cultivo con mayor superficie, seguido por la
caña de azúcar, arroz y finalmente el maíz, mismas son considerados como los principales
cultivos de la campaña de verano.

101
Esta información, constituye el referente oficial a detalle municipal para el 2012; en tanto,
para las siguientes campañas agrícolas, presentarán diferencias en superficies cultivadas,
rendimientos y la producción. Esta variación de datos, estará sujeta a factores como: la
demanda de productos con fluctuaciones de precios en los mercados, presencia de
adversidades climáticas, así como el manejo de los cultivos. En ese entendido, por la dinámica
agroproductivo de las diferentes campañas agrícolas, los datos de la tabla 17, muestra la base
del comportamiento de siembras y producción de los principales cultivos de la zona, y no así
para la comparación con los resultados obtenidos en el presente estudio.

4.5.2 Análisis de la información de la Asociación de Productores de Oleaginosas y de

Trigo (ANAPO) y otras instancias.

Referente a la Asociación Nacional de Productores de Oleaginosas y Trigo (ANAPO)

instancia oficial regional de la Cámara Agropecuaria del Oriente (CAO), quienes en el marco
de sus competencias y funciones, realizan actividades de monitoreo de cultivos en las zonas
de cobertura institucional con visitas permanentes en campo, capacitaciones a productores con
intercambios de tecnologías de sistemas agroproductivos, así como la difusión de información
estadística de los cultivos de soya, maíz, sorgo, trigo, girasol y entre otros por campaña
agrícola, a través de reuniones, documentos técnicos y boletines digitales. Por otro lado, bajo
el principio de coordinación y experiencia institucional, actualmente realiza actividades de
trabajo conjunto y permanente con varias instituciones estatales locales, nacionales, así como
privadas en la gestión y administración de la información agrícola, aspectos que son
importantes para los tomadores de decisión en el sector público, agroindustrial, así como de
los productores asociados a ANAPO.

En ese sentido, para fines comparativos de datos, se utilizó la información oficial de ANAPO
correspondiente a la estimación de áreas sembradas de los cultivos de soya y maíz de la
campaña agrícola 2016/2017. En tanto para los cultivos de arroz, caña de azúcar, soya y maíz,
se utilizaron los datos de la Cooperativa Agropecuario Integral de las Colonias de Okinawa
(CAICO) también de la campaña 2016/2017. Sin embargo, para el análisis complementario de
la información de los cultivos mencionados, se utilizaron datos de los cultivos de arroz, soya y

102
maíz de la empresa de alimentos EMAPA de la campaña agrícola 2014/2015, asimismo se
consideró la información del Observatorio Agroambienal y Productivo (OAP/MDRyT)
2015/2016 de los cultivos de caña de azúcar, soya y maíz. La tabla 18, detalla la estimación de
áreas sembradas de las instancias señaladas.

Tabla 18. Superficies estimadas de los principales cultivos del municipio de Okinawa,
campaña 2016/2017.
EMAPA OAP/MDRyT CAICO ANAPO
Cultivos Sup. (ha) Sup. (ha) Sup. (ha) Sup. (ha)
2014/2015 2015/2016 2016/2017 2016/2017
Soya 50516 25094 21600 25000,00
Caña de azúcar - 5683 2000 -
Arroz 6800 - 5000 -
Maíz 3270 695 900 1000,00
OAP/MDRyT, datos no publicados

Fuente: elaborado con base a información de EMAPA, OAP/MDRyT, CAICO y ANAPO,

2017.

De acuerdo a la estimación de las superficies sembradas de los cultivos de soya, caña, arroz y
maíz por CAICO y ANAPO para la campaña agrícola 2016/2017, la soya representa la de
mayor importancia con las mayores superficies, seguido por caña de azúcar, arroz, y
finalmente el maíz con menor superficie. Considerando estos aspectos, es importante señalar
que las superficies sembradas, varían para cada campaña agrícola, según la demanda y precios
de los productos agrícolas, así como por la presencia de adversidades climáticas.

Lamentablemente en términos de estimación de superficies sembradas a detalle municipal,

existe muy poca información histórica y actual oficial para la zona de estudio para la campaña
agrícola 2016/2017. Sin embargo, señalar que instancias locales como CONARROZ,
FEGASACRUZ, y otras asociaciones de productores agropecuarios, realizaron esfuerzos en la
estimación de superficies sembradas en arroz y caña de azúcar en el norte integrado por zonas
de producción, datos que son de uso exclusivo de estas instancias, razón por la cual no fue
considerado en el presente estudio.

103
4.6 Comparación de información obtenida y fuentes oficiales.

En cumplimiento del objetivo 3, de comparación de los resultados obtenidos en el presente

estudio, con la estimación de las áreas sembradas de los cultivos de soya, caña de azúcar,
arroz y maíz de la campaña agrícola 2016/2017 por las instancias oficiales regionales de
ANAPO y CAICO, se logró establecer las diferencias de la estimación de superficies
sembradas; cuyos resultados obtenidos sustentados mediante la aplicación de procedimientos
de análisis, levantamiento de datos en campo, procesamiento y análisis de consistencia de
información.

En ese sentido, la tabla 19 detalla la estimación de las áreas sembradas de los cultivos de soya,
caña de azúcar, arroz y maíz, obtenidos mediante la clasificación de imágenes basada en
objetos para la campaña agrícola 2016/2017, así como las áreas estimadas por ANAPO y
CAICO.

Tabla 19. Relación de superficies estimadas por ANAPO, CAICO y por las imágenes del
sensor OLI/Landsat 8.
ANAPO CAICO Landsat 8
Cultivos Sup. (ha) Sup. (ha) Sup. (ha)
2016/2017 2016/2017 2016/2017
Soya 25000 21600 26071
Caña de azúcar - 2000 6996
Arroz - 5000 5565
Maíz 1000 900 1303
Total estimado 29500 39935
Fuente: elaboración propia, con base a la información de ANAPO, CAICO y la
información obtenida, 2019.

De acuerdo a la tabla 19, la superficie de producción de soya obtenida en el presente estudio,

supera en 1071 ha a la de ANAPO, y en 4471 ha a la de CAICO. En tanto en la caña de
azúcar, superior en 4996 ha a la de CAICO; en el caso de arroz se estimó 5565 ha, también
superior a la de CAICO, con 565 ha; y finalmente se logró estimar 1303 ha de maíz, superior a
la estimación por CAICO y ANAPO.

104
Las superficies estimadas por ANAPO y CAICO, muestran diferencias de sobre y/o
subestimación de las áreas de cultivos, el cual podría atribuirse fundamentalmente a la
aplicación de metodologías; en ambos casos, realizadas por sondeos, entrevistas y encuestas a
productores, responsables técnicos y administradores de haciendas.

En tanto, la metodología utilizada en la presente investigación, con insumos y herramientas de

la percepción remota, sumados con las características agronómicas; en términos de tiempo,
costo y precisión, es una alternativa metodológica y tecnológica importante en el monitoreo de
cultivos; produciendo de esta manera, información de ubicación, tipo de cultivo, la estimación
de superficies, seguimiento de desarrollo, entre otras. En ese entendido, señalar que las
imágenes del sensor OLI para las condiciones de la zona de estudio, podrían ayudar a estimar
las superficies sembradas favorablemente en parcelas mayores a 5 ha.

Con lo mencionado párrafos arriba, y otras características de mejoramiento permanente de las

imágenes satelitales, como la resolución espacial, espectral y temporal, son aspectos
fundamentales en el análisis, identificación y cuantificación de las áreas de producción
agrícola; aún más en regiones con parcelas pequeñas, como ocurre en la zona del altiplano y
valles de nuestro país. Por esta y otras características, actualmente la comunidad de programas
de monitoreo de la tierra, especialmente a partir de los sensores de media resolución espacial,
como del sensor OLI/Landsat 8, OLI/Landsat 9 (lanzamiento previsto para 2023), y el
desarrollo de constelaciones de satélites del mismo sensor, como el MSI/Sentinel 2-A
(lanzado en 2015) y el MSI/Sentinel 2B (lanzado 2017) podrán proporcionar datos con mayor
resolución temporal, posibilitando el perfeccionamiento de metodologías existentes o el
desarrollo de nuevas. Además, la disponibilidad de datos con mayores niveles de
procesamiento, como imágenes con valores de reflectancia de superficie o índices de
vegetación, optimizaran la aplicación de sensores remotos en la agricultura.

105
4.7 Metadatos.

Por la importancia de la descripción del proceso de elaboración del mapa de estimación de

áreas agrícolas mediante clasificación de imágenes del sensor OLI basada en objetos, se logró
catalogar la mencionada información considerando los campos mínimos de la plantilla de
metadatos recomendado por GeoBolivia. Cuya descripción podrá posteriormente ser migrada
a la plantilla de un servicio de mapas, y la divulgación a través de una Infraestructura de Datos
Espaciales (IDE), en este caso la IDE-EPB. La tabla 20, resume la información necesaria del
mapa de estimación de áreas de producción agrícola en el municipio de Okinawa.

Tabla 20. Información del metadato del mapa de estimación de áreas de producción agrícola
en el municipio de Okinawa.

Título: Mapa de estimación de áreas agrícolas mediante clasificación basada en objetos

con imágenes de satélite, en el municipio de Okinawa del Dpto. de Santa Cruz Bolivia,
gestión 2019
Nombre del archivo Cultivo_16.17 shp
Palabras clave temáticas Soya, caña de azúcar, arroz, maíz, Landsat 8.
Palabras clave geográficas Okinawa, Santa Cruz, Bolivia
La estimación de áreas agrícolas, para la campaña
agrícola 2016/2017, fue mediante clasificación
basada en objetos con imágenes de satélite, en el
Resumen
municipio de Okinawa, proyecto de tesis de post
grado, con apoyo técnico logístico de CAICO y
MDRyT.
Escala de digitalización Escala municipal
Número de objetos 4
Número de atributos 7
Fecha de creación 25.08.2019
Última fecha de actualización 19.09.2019
Calidad de los atributos Muy buena
Oscar Aragón Oraquine, en el marco de la
Fuente investigación del proyecto de tesis de post-grado,
2019.
Oscar Aragón Oraquine: 72578813, email:
Contacto de la fuente
oraqne1@hotmail.com
Abierto, citando la fuente y consulta al contacto
Derechos de utilización
fuente, 2019.
Tipo de geometría Polígonos

106
Sistema de coordenadas geográficas WGS 84 Zona 20 Sur
Max Y: -17,0529
Área geográfica Min X: -63,0398 Max X: -62,7256
Min Y: -17,6051
Lista de atributos
Departamento: de tipo texto: nombre de Departamento.
Provincia: de tipo texto: nombre de Provincia.
Municipio: de tipo texto: nombre de Municipio.
Gestión: de tipo texto: campaña agrícola
Objetos: de tipo texto: nombres de objetos
Área: de tipo numérico: hectárea estimadas por objeto
Descripción de objetos: de tipo texto: Descripción breve de objetos.

Fuente: elaboración propia, 2019.

107
 CAPÍTULO 5

5. CONCLUSIONES Y RECOMENDACIONES

A partir de los objetivos planteados, la metodología utilizada y los resultados obtenidos fue
posible finalizar con las siguientes conclusiones y recomendaciones:

• De acuerdo al análisis del calendario agrícola y fases fenológicas, el mejor periodo

para diferenciar los cultivos de la campaña agrícola 2016/2017, a través de las
imágenes del sensor OLI, fue desde la segunda quincena de enero a mediados de
febrero incluyendo siembras relativamente atrasadas, fase donde la estructura foliar de
los cultivos y otros objetos se encuentran en el mayor desarrollo vegetativo.
• Las imágenes del sensor OLI utilizados y específicamente para el periodo de mayor
desarrollo vegetativo, fueron adecuados en el análisis y procesamiento de información,
referente a la interpretación visual, segmentación y clasificación, así como en el
análisis espectro-temporal de índices de vegetación (NDVI y EVI) y la reflectancia de
los objetos. Sin embargo por las características de inicio de lluvias en los meses de
noviembre y diciembre de 2016, así como al finalizar el periodo húmedo e inicios de la
época seca abril en adelante de 2017, las imágenes presentaron alto porcentaje de
nubosidad, limitando con imágenes en la fase emergencia y maduración (senescencia),
aunque en estas etapas existe la predominancia de suelo en las parcelas de soya y maíz;
espejo de agua en el caso de arroz, en la caña ya cubierta el suelo por los doseles de las
plantas por las características del cultivo semi-perenne; en tanto en la fase de
maduración presencia de vegetación muerta por la disminución de producción de
pigmentos en los doseles, a excepción de la caña de azúcar.
• Las características de los objetos en la composición colorida RGB-564 de las imágenes
del sensor OLI, se identificaron 11 objetos, de los cuales la soya, caña de azúcar, arroz
y maíz presentaron los siguientes patrones en cuanto a tonalidades de color; magenta a
rojo marrón en la caña de azúcar, amarillo a naranja en la soya, rojizo a marrón en el
maíz, en tanto en el arroz mezcla de azul con rosa a magenta, naranja y marrón (arroz

108
 inundado) respectivamente. Estas características podrían ser aplicadas en cualquier
trabajo de interpretación visual de las imágenes como patrones referenciales.
• El análisis de perfiles espectro-temporales, corresponden a los valores medios de
índices de vegetación (NDVI y EVI) y reflectancia, extraídos de las parcelas (tablones)
con áreas homogéneas en tonalidad correspondientes a los cultivos de soya, caña de
azúcar, arroz y maíz de las bandas 2 al 7 de las escenas del sensor OLI (19 y 28 de
enero; 13 y 20 de febrero y 17 marzo de 2017); donde las imágenes del 28 de enero
hasta el 20 de febrero fueron los que presentaron los picos más elevados de índices
como reflectancia, específicamente en la banda 5, seguido por la banda 6 y 7,
característica que coincide con el periodo de mayor desarrollo vegetativo de los
cultivos.
• Los valores promedios de patrones de los perfiles espectro-temporales más
representativos fue en la banda 5. La soya con un NDVI de 0,81, el EVI de 0,71 y
reflectancia de 0,48; en la caña de azúcar, un NDVI próximos de 0,72, el EVI de 0,54
y reflectancia de 0,39; en el arroz, alrededor de 0,64 de NDVI, 0,48 de EVI y 0,31 de
reflectancia; y finalmente en el maíz con NDVI de 0,73, el EVI de 0,61 y reflectancia
de 0,43.
• Con base a las recomendaciones de estudios en el uso de variables y parámetros de
segmentación de los algoritmos multirresolución y diferencia espectral, se logró 15921
segmentos a través de multirresolución; con parámetros de escala 45, forma 0,3 y
compacidad 0,8, peso 1 en las bandas 2, 3 y 4, y peso 2 en las bandas 5, 6 y 7. En tanto
a los 15921 segmentos de multirresolución, se optimizó a 12047 segmentos con el
algoritmo diferencia espectral, con características similares de valores de NDs de los
segmentos, con escala 140, peso 1 en las bandas 2, 3 y 4, y peso 2 en las bandas 5, 6 y
7.
• Con base a los resultados de la segmentación por diferencia espectral, y la asignación
de los polígonos de los objetos levantados en campo de los 15 segmentos definidos y
otras similares, se logró clasificar los cultivos y otros objetos; con una precisión
general de 83,18 % en la matriz de confusión y 0,79 de coeficiente de Kappa; valores
que indican que la clasificación de imágenes basada en objetos podrían ser una
alternativa de mayor uso, en relación a otros métodos de clasificación.

109
 • A través de la clasificación basada en objetos, se ha logrado estimar las siguientes
áreas sembradas para la campaña agrícola 2016/2017: 26071 ha para la soya, 6996 ha
de caña de azúcar, 5565 ha de arroz y 1303 ha para el maíz. En tanto las instituciones
regionales como ANAPO, estimó para la soya 25000 ha y CAICO 21600 ha; en el
caso de la caña de azúcar, CAICO 2000 ha, en el arroz, CAICO 5000 ha; finalmente en
el maíz, CAICO estimó 900 ha y ANAPO 1000 ha. De acuerdo a estas estimaciones,
se concluye que las áreas de los 4 cultivos obtenidos, son superiores a las estimadas
por ANAPO y CAICO para la campaña agrícola 2016/2017.
• Todas las estimaciones de producción agrícola realizadas por las instituciones oficiales
responsables de levantar y difundir información estadística, vienen utilizando sondeos,
entrevistas, encuestas y censos a los productores. Y por las características de estas
metodologías, las informaciones obtenidas difieren entre ellas, con sobre o
subestimación de las superficies sembradas en la soya, caña y maíz, en tanto en el
arroz las diferencias no fueron tan significativas, este aspecto podría deberse a que los
productores de arroz, conocen con mejor precisión las dimensiones de las parcelas
debido al detalle de la preparación del suelo y cálculo de volúmenes de agua para el
suministro de riego. En ese sentido, la metodología aplicada en el presente trabajo por
los resultados obtenidos, podría contribuir como alternativa en la mejora de las
estimaciones de áreas de producción de cultivos, principalmente por el costo, tiempo,
precisión y por las características de parámetros de clasificación de imágenes, con
formación de segmentos como nuevas unidades, en relación a los métodos de
clasificación por pixel, regiones y otras.

Recomendaciones

• Las imágenes del sensor OLI podrían aplicarse para parcelas con cultivos mayores a 5
ha, sin embargo, en parcelas próximas a 900 m2 hasta 3 ha, podrían presentar
confusiones y llevar a errores en las estimaciones.
• Para un seguimiento agroproductivo y comportamiento espectro-temporal adecuado de
los cultivos, aplicar otras imágenes de satélite de acceso libre, como Sentinel, CBERS,

110
 SAC-C, MODIS, para ampliar el número de datos disponibles en el análisis de ciclos
de producción agrícola.
• Para una mejor precisión de estimación de áreas con cultivos y otros objetos, testar con
segmentos digitalizadas correspondientes a parcelas agrícolas y otros objetos, con el
propósito de excluir las áreas ocupadas por sendas, caminos, cortinas rompevientos y
áreas urbanas.
• Realizar estudios específicos para pastizales y barbecho (rastrojo) para mejorar la
separación entre estos objetos y cultivos como el maíz, arroz y sorgo.
• Realizar análisis intraespecíficas e interespecíficas entre otros cultivos con
fitofisionomias similares como la soya y frijol; maíz y sorgo, etc., para mejorar la
separación espacial y espectral con base al calendario agrícola, fenología del cultivo y
zonas de producción.
• La extrapolación de los resultados mostrados en el presente estudio, podrían ser
consideradas como referenciales para otras zonas.
• Aplicar esta metodología con imágenes de mayor resolución espacial, hiperespectrales
y ultraespectrales en otras zonas agroproductivos, como el chaco, valles y altiplano
con prácticas agrícolas diferentes (siembras escalonadas).

111
 6. REFERENCIAS BIBLIOGRÁFICAS.

Abdel-Rahman E. M; F. B. Ahmed. (2008). The application of remote sensing techniques to

sugarcane (Saccharum spp. hybrid) production: a review of the literature International
Journal of Remote Sensing, 1366-5901, 29(13): 3753 – 3767. Recuperado de:
https://www.researchgate.net/publication/228888600_The_application_of_remote_sensing_te
chniques_to_sugarcane_Saccharum_spp_hybrid_production_A_review_of_the_literature

Adami, M. et al, (2004). Estimación de áreas agrícolas por medio de Técnicas de

Sensoriamiento Remoto, Geoprocesamiento y Muestreo. Disertación de tesis de maestría en
Sensoramiento Remoto, Instituto Nacional de Pesquisas Espaciais. San José de los Campos.
2004, p. 63.

Adami, M.; Deppe, F.; Rizzi, R.; Moreira, M. A.; Rudorff, B. F. T.; Fonseca, L. M. G.;
Faria, R., (2007). Fusión de imágenes por IHS para mejorar la identificación de uso de suelo
en elementos de muestreo. Ingeniería agrícola, v. 27, n. 2. ISSN 0100-6916, Brasil, p. 529-
536.

Aguiar, D. A. de (2007). Monitoreo del área cosechada de caña de azúcar mediante imágenes
del sensor MODIS. Disertación de tesis de maestría en Sensoriamento Remoto, Instituto
Nacional de Pesquisas Espaciais (INPE), San José de Campos Brasil, 2007, p. 56.

Asociación de Productores de Oleaginosas y Trigo (2017). Recomendaciones técnicas para

el cultivo de la soya, Departamento técnico y de servicios, Santa Cruz, Bolivia, p. 42.

Asociación de Productores de Oleaginosas y Trigo – ANAPO (2019). Boletín Estadístico

Mensual. ANAPO en Cifras. Campaña Agrícola Verano 2016/17, Departamento Técnico y de
Servicios, Santa Cruz, Bolivia. Recuperado de:
https://www.anapobolivia.org/publicaciones.php?tipo=2

112
Baatz, M., y Schape, A., (2000). Multiresolution segmentation – an Optimization Approach
For High Quality Multi-scale image segmentation. In: Strobl, J., Blaschke, T. (eds.).
Angewandte Geographische Informationsverarbeitung XII. Beiträge Zum AGIT Symposium
Salzburg. Karlsruhe. Herbert Wichmann Verlag, p. 3-4, 12 – 23.

Bariani C. J. M. V., et al (2017). Sensoriamento remoto aplicado al monitoreo de los

principales estadios fenológicos de arroz irrigado. IV inovagri International meeting XXVI
Comir Congresso Nacional de irrigación y drenaje III SBS Simposio Brasilero de Salinidad.
Universidad Federal de Reconcabo de Baia, Brasil, p. 5.

Blaschke, T., (2010). Object based image analysis for remote sensing. ISPRS Journal of
Photogrammetry and Remote Sensing, v. 65, n. 1, p. 2–16. Recuperado de:
http://linkinghub.elsevier.com/retrieve/pii/S0924271609000884.

Bento B. M. P., (2017). Evaluación de clasificadores por árbol de decisión y árbol de

regresión en ambientes urbanas del sensor Worldview-2. Disertación de tesis de maestría en
Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de
Campos, Brasil, p. 32, 49. Recuperado de: http://urlib.net/8JMKD3MGP3W34P/3MLSFAH.

Bins L. S.; Fonseca L. M.G.; Erthal G. J.; II, F. M., (1996). Satellite imagery
segmentation: a region growing approach. In: Simpósio Brasileiro de Sensoriamento Remoto,
8. (SBSR), 1996, Salvador. Anais. San José de Campos: INPE, 1996. p. 677-680. CD-ROM.
ISBN 85-17-00014-5. Recuperado de: http://urlib.net/sid.inpe.br/deise/1999/02.05.09.30.

Burrough, P., (1998). Principles of Geographical Information Systems. New York: Oxford
University Press, p. 333.

Cámara, G.; Moreira, F.; Barbosa, C.; Almeida, R.; Bonisch, S. (2001). Álgebra de
mapas. Capítulo 8, introducción a la ciencia de geo-información. Edición Instituto Nacional
de Pesquisas Espaciais (INPE), São José De los Campos, Brasil, p. 1-10. Recuperado de:
http://www.dpi.inpe.br/gilberto/livro/introd/cap8-algebra.pdf.

113
Carvalho, M. V. Alves de, (2011). Clasificación de cobertura y uso de suelo con imágenes
Worldview-2, utilizando minería de datos y análisis basada en objetos. Disertación de tesis de
maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, 2011, p. 24, 27-28. Recuperado de:
http://urlib.net/8JMKD3MGP7W/3ACT3BL

Casanova, D.; Epema, G. F.; Goudrian, J. (1998). Monitoring rice reflectance at field level
for stmating biomass and LAI. Field Crops Research, n.55, p.83-92.

_________________. (2013). Centro de Investigación y Desarrollo en Información

Geográfica - CIAF, del Instituto Geográfico Agustín Codazzi, 2013, Descripción y corrección
de productos Landsat 8 LDCM (Landsat Data Continuity Mission), Versión 1.0. Bogotá
Colombia, p. 7-10. Recuperado en: http://www.un-spider.org/sites/default/files/LDCM-
L8.R1.pdf

Chuvieco E. (1995). Fundamentos de la Teledeteccion Espacial. Segunda edición. Madrid

España, Ediciones Rialp. S.A. 1995, p. 26-27.

Chuvieco, E., (1996). Fundamentos de teledetección espacial, 3ª Edición. Madrid, España,

Ediciones Rialp, 1996, p. 568.

Chuvieco, E. (2002). Teledetección Ambiental, la Observación de la Tierra desde el Espacio.

Editorial Ariel, Madrid, España, p. 568.

Chuvieco, E. y Huete, A. (2010). Fundamentals of Satellite Remote Sensing. CRC Press.

Taylor and Francis Group. EE. UU, p. 488.

De Almeida C. N., (2006). Sensoriamento Remoto para Análisis Multitemporal de la

dinámica de áreas agrícolas. Disertación de tesis de maestría en Sensoriamento Remoto,
Instituto Nacional de Pesquisas Espaciais (INPE), San José de Campos, Brasil, p. 32, 64.

114
D Arco E. (2008). El uso de Geotecnologias para la Estimación del área sembrada de arroz
irrigado en el estado de Rio Grande del Sur. Disertación de tesis doctorado en Sensoriamento
Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de Campos Brasil, 2008,
p. 63-87, 111, 116, 117, 137. Recuperado de: http://urlib.net/8JMKD3MGPBW/TTERHE.

Eberhardt I. D. R., (2015). Estimación en tiempo casi real de áreas de maíz y soya en Rio
Grande del Sur, por Sensoriamento Remoto y Muestreo. Disertación de Tesis de maestría en
Sensoriamento remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de
Campos Brasil, p. 28, 30, 31, 39, 62, 65, 66. Recuperado de:
http://urlib.net/8JMKD3MGP3W34P/3HNHPQL.

Federal Geographic Data Committe – FGDC, (2001). Content Standard for Digital
Geospatial Metadata WorkBook. Reston, VA, Federal Geographic Data Committee. (p.1).
recuperado de: https://www.fgdc.gov/metadata/documents/workbook_0501_bmk.pdf

Ferri C. P., (2002). Utilización de reflectancia espectral para la estimación de pigmentos

fotosintéticos en doseles de soya (Glycine max l., Merril). Disertación de tesis de maestría en
Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de
Campos, Brasil, 2002. p. 30, 33, 79. Recuperado de:
http://urlib.net/rep/83LX3pFwXQZ5Jpy/wMBwH

Formaggio, A. R., (1989). Características Agronómicas y Espectrales para Sensoriamento

Remoto de trigo y frijol, Piracicaba. Disertación de tesis de doctorado en agronomía, Escuela
Superior de Agricultura "Luiz de Queiroz" – USP. 1989, p. 18, 78. Recuperado de: http://mtc-
m12.sid.inpe.br/col/sid.inpe.br/iris@1912/2005/07.19.01.33/doc/INPE%205061.pdf.

Formaggio, A. R.; SancheS, I. D., (2017). Sensoriamento remoto en agricultura. San Pablo,
Brasil. Oficina de Textos, ISBN 978-85-7975-277-3, p. 129.

115
Foschiera W., (2015). Estimación de productividad de caña de azúcar con base a la
asociación entre series de datos de MODIS y estadísticas agrícolas. Disertación de tesis de
maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, p. 11, 36. Recuperado de:
http://urlib.net/8JMKD3MGP3W34P/3JNHAGS.

GeoBolivia, (2019). Infraestructura de Datos Espaciales del Estado Plurinacional de Bolivia

(IDE-EPB). Servicios/biblioteca. Cuestionario simple para la catalogación de metadatos. La
Paz, Bolivia. Recuperado de: http://geo.gob.bo/portal/?-Biblioteca-
http://geo.gob.bo/portal/?GeoBolivia-y-la-Infraestructura-de-Datos-Espaciales-del-Estado-
Plurinacional-de

Gürtler S., (2003). Estimación de áreas agrícolas a partir de sensoriamneto remoto y banco de
dados de pixeles muestras. Disertación de tesis de maestría en Sensoriamento Remoto,
Instituto Nacional de Pesquisas Espaciais (INPE), San José de Campos, Brasil, p. 35, 66, 86,
116. Recuperado de: http://urlib.net/rep/sid.inpe.br/jeferson/2003/06.02.07.29.

Crusco N. de A., (2007). Sensoriamento remoto para análisis multitemporal de la dinámica de

áreas agrícolas. Disertación de tesis de maestría en Sensoriamento Remoto, Instituto Nacional
de Pesquisas Espaciais (INPE), San José de Campos, Brasil, p. 44, 60, 61, 64-65.

_________________. (2013). Censo Nacional Agropecuario. Instituto Nacional de estadística

(INE) y Ministerio de Desarrollo Rural y Tierras (MDRyT).

_________________. (2013). Federación Nacional de Cooperativas Arroceras (FENCA-

CAISY-CONARROZ), Gobierno Autónomo Departamental de Santa Cruz, Santa Cruz de la
Sierra, Producción de Arroz en Bolivia, Conocimiento Técnico para un Manejo Eficiente y
Rentable. Centro de Investigación Agrícola Tropical (CIAT), Bolivia, p. 3.

116
Hanston, S. Chuvieco E. Pons X. Domingo C. Cea C. More G. Cristobal J. Peces j. j. y
Tejeiro J. A., (2011). Cadena de pre-procesamiento estándar para las imágenes Landsat del
Plan Nacional de Teledetección. Revista de Teledetección 36. 57-61, ISBN: 1988-8740.
Universidad de Alcala, universidad de Barcelona e Instituto Geográfico Nacional General
Ibáñez de Ibero, Madrid España, p. 55. Recuperado de:
http://www.geogra.uah.es/images/Documentos/emilio/PDF/hantson2011b.pdf

Instituto Geográfico Agustín Codazzi, (2008). Gestión de metadatos geográficos. Propuesta

perfil latinoamericano de metadatos geográficos – LAMP. Bogotá Colombia, (p. 5).

Instituto nacional de Estadística (2019). Estadística por actividad económica, Agricultura

Superficie Cultivada, por año Agrícola (2016/2017), según cultivo. Recuperado de:
https://www.ine.gob.bo/index.php/estadisticas-por-actividad-economica/industria-
manufacturera-y-comercio-4

Instituto Nacional de Pesquisas Espaciais (2007). Manual de Spring - Sistema para

procesamiento de informaciones georeferenciadas. División de procesamiento de imágenes
(DPI). São José dos Campos, Brasil, p. 1-5.

Kalbermatter D., Mourazos J., Vacca P., Rodriguez F., San Jose G., (2010). Métodos de
Estimación para el Área Agrícola. Departamento de Información Económica y Social,
Laboratorio de GIS y Teledetección. Una aplicación al Departamento O´Higgins en la
Provincia del Chaco. Argentina, p. 13-15.

Kasahara N. A., (2017). Minería de datos de sensoriamento remoto para detección y

clasificación de áreas de pastoreo legal en la amazonia. Disertación de tesis de maestría en
Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de
Campos, Brasil, p. 36. Recuperado de: http://urlib.net/rep/8JMKD3MGP3W34P/3NAADAS

Langa S. A., y De la Riva F. J., (2015). Caracterización espectral e identificación temprana

de cultivos de regadío en el valle del Ebro: Aplicación operativa para la gestión mediante

117
teledetección y SIG. Análisis espacial y representación geográfica: innovación y aplicación:
Universidad de Zaragoza, -AGE. ISBN: 978-84-92522-95-8, España, p. 675.

Laurente, M. (2011). Medición de la deforestación mediante percepción remota en la

Microcuenca Río Supte, Tingo María, Perú. Revista internacional de Ciencia y Tecnología de
la Información Geográfica, GeoFocus (informes), nª 11, ISSN: 1578-5157, p.1-15.

Lazo P. L.R., (2014). Evaluación de métodos de clasificación basados en pixeles y en objetos

para la obtención de mapas de uso y cobertura del suelo a partir de imágenes de satélite
Rapideye. Disertación de tesis de maestría en geomática con mención en ordenamiento
territorial. Universidad del Azuay, Cuenca, Ecuador, p. 20, 23. Recuperado de:
http://dspace.uazuay.edu.ec/handle/datos/4023

Leonardi F., (2010). Enfoques cognitivos y minería de datos aplicados a datos ópticos
orbitales y de láser para la clasificación de cobertura del suelo urbano. Disertación de tesis de
maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, p. 162. Recuperado de: http://urlib.net/8JMKD3MGP7W/376H8M2.

Machado C. B., (2017). Análisis fenológico del dosel de bosque nacional de trabajos
utilizando datos orbitales del sensor MODIS y Hiperespectrales locales. Disertación de tesis
de maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, p. 25. Recuperado de:
http://urlib.net/8JMKD3MGP3W34P/3NNL76S.

Marcelino, E. (2007). Desastres naturales y geotecnologías, conceptos básicos. Versión

preliminar. Instituto Nacional de Pesquisas Espaciais (INPE), Santa María RS, Brasil, p. 4-7.

Martin Jr., R. D. y Heilman, J. L., (1986). Spectral Reflectance Patterns of Flooded Rice.
Photogrammetric Engineering and Remote Sensing, vol. 52, n. 12, December, 1986, p. 1885-
1890. Recuperado de: https://www.asprs.org/wp-
content/uploads/pers/1986journal/dec/1986_dec_1885-1890.pdf.

118
Marujo, R. de F. B., (2016). Influencia de atributos espectrales, texturales y factor de
iluminación en la clasificación basada en objetos de áreas cafeteras. Disertación de tesis de
maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, p. 12, 25. Recuperado de:
http://urlib.net/8JMKD3MGP3W34P/3L3KGLP.

Marujo, R. d. F. B., (2013). Evaluación de métodos de segmentación de imágenes aplicadas

en la clasificación de cultivos cafeteros. Disertación de monografía (bachelor en Ciencias de
la Computación) Universidad Federal de Lavras (UFLA), Brasil, p. 25, 50. Recuperado de:
http://www.epamig.ufla.br/geosolos/publicacoes/teses/Monografia_Rennan.pdf.

Marques A. G., (2009). Análisis del modelo linear de mistura espectral aplicado a imágenes
MODIS para el mapeo del cultivo de arroz irrigado en el Estado de Rio Grande Del Sur.
Disertación de tesis de maestría en sensoriamento remoto. Universidad Federal de Rio Grande
del Sur, Centro Estadual de investigación en Sensoriamento Remoto y Meteorología,
Programa de Post-Graduación en Sensoriamento Remoto, Porto Alegre RS, Brasil, p. 38-40.
Recuperado de: https://lume.ufrgs.br/handle/10183/23937

Mengue, V. P., Fontana, D. C., Schirmbeck, J., Schirmbeck, L. W., Mauro Ricardo
Nóbrega M. R., Costa, L. F. A., (2015). Índice TVDI para mapeo de cultivos de arroz
irrigado y soya en áreas agrícolas de Pelotas y Camaqua/RS. Centro Estadual de investigación
en Sensoriamento Remoto y Meteorologia CEPSRM/UFRGS, Porto Alegre - RS. XVII
Simposio Brasilero de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de
abril, INPE, p. 1903.

Mendoza Ch. M. E., Salas L. R., y Barboza C. E., (2017). Análisis multitemporal de la
deforestación usando la clasificación basada en objetos, distrito de Leymebamba (Perú).
Artículo, Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas (UNTRM-A),
Instituto de Investigación para Desarrollo Sustentable de Ceja de Selva, Perú, p. 67, 68.
Recuperado de: http://revistas.untrm.edu.pe/index.php/INDES/article/download/210/213

119
Meneses, P. R. y Almeida, T., (2012). Introducción al procesamiento de imágenes de
Sensoriamento Remoto. Unb y CNPq. Brasilia, Brasil, p. 135, 276. Recuperado de:
http://www.cnpq.br/documents/10157/56b578c4-0fd5-4b9f-b82ae9693e4f69d8.

________________. (2012). Compendio Agropecuario. Observatorio Agroambiental y

Productivo. Ministerio de Desarrollo Rural y Tierras. Editorial GRECO. La Paz, Bolivia, p.
53, 65, 74, 77.

________________. (2018). Información estadística agrícola, Ministerio de Desarrollo Rural

y Tierras MDRyT, banco de datos del Observatorio Agroambiental y Productivo. Recuperado
de: http://www.observatorioagro.gob.bo.

________________. (2015). Ministerio de Desarrollo Rural y Tierras, Compendio de Normas

Relacionadas a la Soberanía Alimentaria. Secretaria Técnica Consejo Plurinacional
Económico Productivo. Unidad de Comunicación Social. La Paz Bolivia, p.37-43.

Montibeller B., (2018). Análisis espectro-temporal de los cultivos de maíz, soya y caña de
azúcar con datos de sensor OLI/Landsat 8. Disertación de tesis de maestría en Sensoriamento
Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de Campos, Brasil, p. 5,
49-51. Recuperado de: http://urlib.net/8JMKD3MGP3W34R/3QRM6DS.

Murillo S., P.J. y Carbonelli G., J.A. (2000). Principios y Aplicaciones de la Percepción
Remota en el cultivo de la caña de azúcar en Cali-Colombia. Centro de Investigación de la
Caña de Azúcar CENICAÑA, Cali, Colombia, p. 25-26. Recuperado de:
http://www.cenicana.org/web/publicaciones.

Novo, E. M. L., (2011). Sensoriamento remoto. Principios y aplicaciones. 4ta ed. San Pablo,
Brasil, p. 308.

120
Nogueira, S.M. C., (2014). Aplicación de un modelo agrometeorológico-espectral y de
variables meteorológicas del modelo ETA para estimar la productividad del trigo. Disertación
de tesis de maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais
(INPE), San José de Campos, Brasil, p. 30. Recuperado de:
http://urlib.net/8JMKD3MGP5W34M/3GBRAHL

Ponzoni F. J; Silva C.B. D.; Santos S. B. D.; Montanher O. C.; Santos T. B. D., (2014).
Local illumination influence on vegetation indices and Plant Area Index (PAI) relationships.
Remote Sensing, v. 6, n. 7, p. 6269.

Ponzoni F. J. y Shimabukuro Y. E., (2010). Sensoriamento remoto en estudio de vegetación.

San José de Campos, Brasil, p. 68-102.

Recio R. J. A., (2009). Técnicas de extracción de características y clasificación de imágenes

orientada a objetos aplicadas a la actualización de bases de datos de ocupación del suelo.
Disertación de tesis de doctorado, Dpto. de Ingeniería Cartográfica, Geodesia y
Fotogramétrica, Universidad Politécnica de Valencia, España, 2009, p. 47- 52.

Rizzi, R.; Risso, J.; Epiphanio, R. D. V.; RudorfF, B. F. T.; Formaggio, A. R.;
Shimabukuro, Y. E.; FernandeS, S. L., (2009). Estimación del área de soya en Mato Groso
mediante imágenes MODIS. Simposio Brasilero de Sensoriamento Remoto, San José de
Campos, Natal RN, Brasil, p. 387-394. Recuperado de:
http://marte.sid.inpe.br/attachment.cgi/dpi.inpe.br/sbsr@80/2008/11.16.18.50.57/doc/387-
394.pdf

Rizzi R. y Rudorff B. F. T., (2005). Estimación de áreas de soya en Rio Grande del Sur por
medio de imágenes Landsat. Revista Brasilera de Cartografía, v. 3, n. 57, p. 226-234.

Rodríguez V. A. F., (2011). Metodología para detectar cambios en el uso de la tierra

utilizando los principios de la clasificación orientada a objetos, estudio de caso piedemonte de
Villavicencio, Meta”. Tesis presentada como requisito parcial para optar al título de Magister

121
en Geomática, Universidad Nacional de Colombia. Bogotá, Colombia, p. 35. Recuperado de:
bdigital.unal.edu.co/5241/1/andresfeliperodriguezvasquez.2011.pdf

Rudorff, B. T. F., y Batista, G. T., (1985). Respuesta espectral de caña de azúcar, a través de
datos multiespectrales de MSS de Landsat 4. San José de Campos, Instituto Nacional de
Pesquisas Espaciais (INPE), Brasil, INPE-3474- PRE/717, p. 12.

Rudorff, B. F. T; Berka, L. M. S.; Moreira, M. A.; Duarte, V.; Xavier, A. C.; Rosa, V. G.
C.; Shimabukuro, Y., (2005). Imágenes de satélite para mapeo y estimación de áreas de caña
de azúcar en San Pablo, campaña 2003/2004. Agricultura en San Pablo Brasil, v. 52, n, 1, p.
21-39.

Rudorff B. F. T. y Sugawara L. M., (2007). Mapeo de la caña de azúcar en la región centro

sur, vía imágenes de satélites. Informe agropecuario, v. 28, n. 241, Brasil, p. 79–86.

Sanches I. D A., (2004). Sensoramiento remoto para el levantameinto espectro temporal y

estimación de áreas de cultivos agrícolas. Disertación de tesis de maestría en Sensoriamento
Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San José de Campos, Brasil. p.
34, 35, 36, 39, 54, 73-75 118.

Sanches I. D. A., Epiphanio J. C. N., Formaggio A. R., (2005). Cultivos Agrícolas en

imágenes multitemporales del satélite Landsat. Agricultura de San Pablo. 52, n. 1, p. 83–96.

Schowengerdt R. A., (2007). Remote Sensing: Models and Methods for Image Processing.
University of Arizona Tucson, Arizona. USA, ISBN 13: 978-0-12-369407-2. 3ra Edition.
Copyright © 2007, Elsevier Inc. All rights reserved, p. 427. Recuperado de:
http://www.doganaydal.com/nesneler/kutuphanekitaplar/REMOTE_SENSING,3_ED_MODE
LS_AND_METHODS_FOR_IMAGE_PROCESSING.PDF.

Servicio Nacional de Meteorología e Hidrología, (2018). Información hidrometeorológica

de la zona de estudio. Recuperado de: www.senamhi.gob.bo

122
Servicio Geológico de Estados Unidos (2017). Descarga de imágenes Landsat 8. Recuperado
de: http://landsat.usgs.gov/.

Sistema Único Nacional de Información de la Tierra (SUNIT, 2010). Mapa de Cobertura y

Uso Actual de la Tierra, Ministerio de Desarrollo Rural y Tierras, Viceministerio de Tierras,
La Paz Bolivia.

Sousa, M. (1999). Sensoriamiento remoto aplicado al estudio de estructuras geológicas con

ocurrencias de depósitos minerales, en la porción centro – norte del estado de Paraíba.
Disertación de tesis de maestría en Sensoriamento Remoto, Instituto Nacional de Pesquisas
Espaciais (INPE), San José de Campos, Brasil, p. 57.

Schultz B., (2016). Análisis de imágenes orientada a objetos y muestreo estadístico en el

monitoreo de caña de azúcar, maíz y soya en el estado de San Pablo. Disertación de tesis de
doctorado en Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais (INPE), San
José de Campos, Brasil, p. 33, 39, 57, 58. Recuperado de:
http://urlib.net/8JMKD3MGP3W34P/3L9BUQ5.

Subira, B. C., (2013). Zonificación de parcelas frutícolas a partir de índices de vegetación de

imágenes del satélite Worldview-2 con fines de agricultura de precisión. Disertación de tesis
en tecnologías de información Geográfica, Universidad Complutense de Madrid, España, p.
31-32.

Vargas, C. (1992). Principios de Percepción Remota, tomo I. Facultad de Ciencias

Geológicas, Universidad Mayor de San Andrés. La Paz, Bolivia, p. 2-15.

Vicente M. M. C. (2016). Calidad de la Segmentación y Precisión de la Clasificación en

Teledetección Orientada a Objetos. Caso de los invernaderos de Almería. Disertación de tesis
de maestría, Almería, España, 2015-2016, p. 9, 10, 19, 23. Recuperado de:
https://w3.ual.es/Proyectos/GreenhouseSat/index_archivos/TFM_Carmen_Vicente.pdf

123
 ANEXOS

Anexo 1. Plantilla de codificación de cultivos y otros objetos

Nª Sigla Significado
Arroz - cultivo en pie, inicio de desarrollo hasta la cosecha, bajo
1 AR-i
condiciones inundadas
Arroz - cultivo en pie, inicio de desarrollo hasta la cosecha. No se
2 AR-s
encontró en la zona de estudio la producción a secano.
Barbecho – esta clasificación sirve para barbecho de trigo, caña,
maíz, sorgo, girasol que es dejado en suelo cuando la cosecha es
3 BA
mecanizada. Esta característica para este periodo se encuentra con
hierbas no deseadas.

4 CA Caña de azúcar - cultivo en pie y desarrollo hasta la cosecha

5 NB Nubes
Red caminera – carretas asfaltada o de tierra; por la temporada los
6 RC caminos secundarios de tierra en algunos casos se encuentra
anegados.
8 AG Cuerpos de agua – ríos, lagunas
9 BO Bosque – bosque primario, bosque secundario, bosque de galería
10 MA Maíz - cultivo en pie y en desarrollo hasta la cosecha
Pastos – áreas con presencia de arbustos, arboles, palmeras y de
11 PS
gramíneas para la alimentación de la ganadería existente.
Suelo expuesto – suelo preparado para la siembra o no, más con
12 SE
respuesta espectral de suelo
13 SY Soya - cultivo en pie y en desarrollo hasta la cosecha
14 SO Sombra – presencia de sombras de nubes y otros objetos
15 AU Área urbana

124
Anexo 2. Llenado de información de acuerdo al Perfil Nacional de Metadatos de la IDE-
EPB

IDENTIFICACIÓN

Mapa de estimación de áreas agrícolas mediante

clasificación basada en objetos con imágenes de
Titulo
satélite, en el municipio de Okinawa del Dpto. de Santa
Cruz Bolivia, gestión 2019

Fecha 25.08.2019
Tipo de fecha 19.09.2019
Código -
Formato de Presentación shp Digital

Estimación de áreas agrícolas, para la campaña agrícola

2016/2017, mediante clasificación basada en objetos con
Resumen imágenes de satélite, en el municipio de Okinawa,
proyecto de tesis de post grado, con apoyo técnico
logístico de CAICO y MDRyT.

Estimar las áreas agrícolas mediante clasificación basada

Propósito
en objetos con imágenes de satélite
Estado Completo
Frecuencia de mantenimiento y actualización -
Muestra gráfica (Vista previa del dato) Archivo, Cultivos_16.17
Palabras clave Soya, caña de azúcar, arroz, maíz, Landsat 8.
Tipo de representación espacial Vectorial
RESOLUCIÓN ESPACIAL
Escala Escala Municipal
Idioma Español - Castellano
Conjunto de caracteres UTF 8
Tema, código de categoría Agrícola
PUNTO DE CONTACTO O RESPONSABLE DE LA INFORMACIÓN
Nombre de Persona Ing. Oscar Aragón Oraquine
Nombre de la organización -
Cargo Investigador de la tesis de postgrado
Función (Rol) Autor
Teléfono -
Número de fax -
Dirección Calle Gualquivir # 682
Ciudad La Paz
Área administrativa (Departamento) La Paz
Código postal -
País Bolivia

125
Dirección de correo electrónico oraqne1@hotmail.com
Página web -
Horario de atención 8:30 am. - 18:30 pm.
RESTRICCIONES LEGALES Y DE SEGURIDAD
Restricciones de acceso Abierto
Restricciones de uso Abierto
Otras restricciones Uso de acceso libre a la información
Clasificación No clasificado
ENCUADRE GEOGRÁFICO (EXTENSIÓN)
Latitud Norte de la envolvente -17,0529
Latitud Sur de la envolvente -17,6051
Longitud Oeste de la envolvente -62,7256
Longitud Este de la envolvente -63,0398
REPRESENTACIÓN ESPACIAL
Nivel topológico Geometría
Tipo de objeto geométrico Polígono
SISTEMA DE REFERENCIA ESPACIAL
Código 4326
INFORMACIÓN SOBRE LA CALIDAD DE DATOS
Nivel jerárquico Conjunto de datos
Departamento: de tipo texto: nombre de Departamento.
Provincia: de tipo texto: nombre de Provincia.
Municipio: de tipo texto: nombre de Municipio.
Gestión: de tipo texto: campaña agrícola
Atributos
Objetos: de tipo texto: nombres de objetos
Área: de tipo numérico: hectárea estimadas por objeto
Descripción de objetos: de tipo texto: Descripción breve
de objetos.
Objeto geográfico Áreas de cultivos
Extracción de información de áreas de cultivos de las
imágenes del sensor OLI/Landsat 8, del periodo de mayor
Declaración del linaje
desarrollo vegetativo, campaña agrícola de verano
2016/2017
La metodología de trabajo fue a través de técnicas de
Pasos del proceso procesamiento de imágenes, trabajo de campo además
sustentados con otros trabajos de investigación
Proyecto de tesis de post-grado Carrera de Ingeniería
Fuente de información
Geográfica UMSA
INFORMACIÓN SOBRE LA DISTRIBUCIÓN
Formato de distribución Shp (shapefile)
Versión del formato de distribución QGIS v. 2.14.2
INFORMACIÓN DEL METADATO
Idioma Español - Castellano
Conjunto de caracteres UTF 8

126
Nivel jerárquico Conjunto de datos
Nombre del estándar de metadatos ISO19115 (Perfil IDE-EPB)
Versión del estándar de metadatos 1.0
AUTOR DE LOS METADATOS
Nombre de Persona Oscar Aragón Oraquine
Nombre de la organización -
Cargo Tesista post-grado
Función (Rol) Tesista de post-grado, gestión 2019
Teléfono 72578813
Número de fax -
Dirección Calle Gualquivir # 682
Ciudad La Paz
Área administrativa (Departamento) La Paz
Código postal -
País Bolivia
Dirección de correo electrónico oraqne1@hotmail.com
Página web -
Horario de atención 8:30 am. - 18:30 pm.
Fecha de creación del metadato 25.08.2019

127